El Modelado Matemático en La Formación Del Ingeniero PDF

El modelamiento matemtico
en la formacin del ingeniero
Grupos de investigacin
Kishurim, Tecnice, Tecnimat,
Griduc, Gidsaw, Cognitek
Grupos de Investigacin
Kishurim
Tecnice
Tecnimat
Griduc
Gidsaw
Cognitek
Editor
Luis Facundo Maldonado Granados
Una publicacin de la Universidad Central, Universitaria de Investi acin y Desarrollo, Univer-
sidad Pedaggica Nacional, Universidad Hebrea de Jerusaln, con el auspicio del Ministerio de
Educacin Nacional de Colombia (Contrato IF007-2011).
Ttulo: El modelamiento matemtico en la formacin del ingeniero

ISBN para PDF: 978-958-26-0280-2
Primera edicin: 2013
Proyecto: Red de modelamiento y representacin formal en matemti as

Grupos de Investigacin: Kishurim, Tecnice, Tecnimat, Griduc, Gidsaw y Cognitek
Editor: Luis Facundo Maldonado Granados
Ediciones Universidad Central

Carrera 5 N. 21-38. Bogot D. C., Colombia
Telfono: 334 49 97. PBX: 323 98 68, exts. 2353 y 2356.
editorial@ucentral.edu.co
Catalogacin en la Publicacin Universidad Central
El modelamiento matemtico en la formacin del ingeniero/ editor Luis Facundo

Maldonado Granados. -- Bogot : Ediciones Universidad Central, 2013.
206 pginas ; 24 cm.
Grupos de Investigacin Kishurim Tecnice Tecnimat Griduc Gidsaw Cognitek.
ISBN de PDF: 978-958-26-0280-2
1. Matemticas para ingenieros 2. Modelos matemticos 3. Modelos de simulacin
4. Innovaciones educativas modelos matemticos I. Maldonado Granados,
Luis Facundo, editor II. Universidad Central
620.00151 dc23 PTBUC/RVP
Produccin editorial
Departamento de Comunicacin y Publicaciones
Direccin: Edna Roco Rivera P.
Coordinacin editorial: Hctor Sanabria R. Publicado bajo licencia
Diseo y diagramacin: Claudia Camargo Creative Commons 4.0
Correccin de textos: mar Len C. Internacional
Editado en Colombia - Published in Colombia

Contenido
Introduccin .... 9
Captulo 1
Visin del modelamiento a partir de la historia de los objetos 19
Introduccin .... 19
Modelamiento en la civilizacin antigua .. 20
Modelamiento en Grecia y Roma ... 22
Modelamiento en el Renacimiento ... 24
Modelamiento en la sociedad industrial .. 28
Modelamiento en la sociedad de la informacin .. 28
Conclusin .... 30
Referencias .... 31
Captulo 2
Validacin de modelos desde la perspectiva epistemolgica 33
Sntesis ..... 33
Introduccin .... 33
Conocimiento desde el modelado y simulacin .. 36
Validacin en modelado y simulacin... 46
Referencias .... 52
Captulo 3
El modelamiento en economa ... 55
Introduccin .... 55
Una cuestin de importancia ... 56
El papel de los modelos en la ciencia econmica .. 58
Qu es lo que se simplifica? ... 59
Elementos propios, a veces comparables .. 60
Modelos no necesariamente dinmicos .. 61
Mientras no cambien otras cosas ... 63
Aplicabilidad general, versatilidad ... 64
Tipos de modelos .... 65
Antecedentes econmicos de la clasificacin adoptada . 65
Modelos como fuente y resultado de inspiracin .. 67
Uso, valor y limitaciones de los modelos .. 68
Uso y valor de los modelos ... 69
Limitaciones o riesgos en el uso de modelos.. 70
Conclusiones, nfasis y prioridades ... 70
Referencias .... 71
Captulo 4
La espiral en la formacin de la competencia de modelado . 75
Introduccin ........ 75
La competencia de modelamiento ...... 79
Visin cognitiva del modelamiento ...... 81
Formas de representacin y desarrollo de la competencia de modelamiento 81
Conclusiones........ 95
Referencias ........ 95
Captulo 5
La representacin verbal en el desarrollo de la competencia
de modelamiento matemtico ...... 97
Antecedentes y marco conceptual ...... 98
Metodologa ........ 101
Captulo 6
La representacin algebraica en la formacin de competencias
de modelamiento matemtico ...... 115
Antecedentes........ 115
Captulo 7
La diagramacin en el desarrollo de la competencia
de modelado matemtico ...... 131
Enfoque metodolgico ....... 136
Resultados ........ 139
Discusin y conclusiones ...... 143
Recomendaciones y trabajo futuro ...... 144
Apndice ......... 147
Captulo 8
Representacin computacional y desarrollo de la competencia
de modelamiento ........ 149
Marco conceptual ........ 156
Anlisis de datos y resultados ...... 163
Anlisis particular del caso Modelamiento y Simulacin .. 168
Sugerencias ........ 169
Captulo 9
Comunidad web 2.0 para el desarrollo de competencias
matemticas ........ 173
Propuesta de comunidad web 2.0 ...... 177
Pilotaje de la comunidad 2.0 en el proyecto Red de Modelamiento
y Representacin Formal en Matemticas .... 182
Conclusines........ 193
Introduccin*
Luis Facundo Maldonado Granados**
C onstruir modelos para resolver problemas complejos es un tema central en

las formas de la ciencia contempornea: mediante los modelos formales,
la matemtica genera interrelaciones con otras disciplinas y se relaciona con los
problemas sensibles de la sociedad; a su vez, la informtica y la inteligencia ar-
tificial han contribuido a que la ciencia enfrente problemas de creciente com-
plejidad y a que la construccin de modelos sea de inters general.
Para la matemtica, el creciente inters por los modelos marca un cambio
de tendencia en la investigacin; segn Brwcka, Dix y Kolonige (1997), esta se
caracteriza como paso del pensamiento deductivo (montono) a la induccin
(no-montona). El pensamiento deductivo procede por informacin comple-
ta, contrario con lo que sucede con la mayora de las inferencias de la vida dia-
ria y del sentido comn, caracterizadas por la informacin incompleta. Esta
condicin fue puesta de relieve por los investigadores de inteligencia artificial
cuando abordaron la representacin del conocimiento de sentido comn y la
solucin de los correspondientes problemas de decisin.
La consideracin de que las experiencias son la base del razonamiento lle-
v a formalizar la representacin de las mismas organizadas por similitud y je-
rarquizadas por relevancia para generar heursticas en la solucin de problemas
* Proyecto auspiciado por el Ministerio de Educacin Nacional mediante el convenio

IF007 suscrito con la Universidad Central y que, adems, integra otras instituciones
como la Universidad Hebrea de Jerusaln, Universitaria de Investigacin y Desarrollo
y la Universidad Pedaggica Nacional, con la direccin de Luis Facundo Maldonado. El
proyecto fue elegido en la convocatoria abierta por Renata para conformar un banco de
proyectos de investigacin elegibles, en innovacin educativa con uso de las tecnologas de
la informacin y la comunicacin durante el periodo 2011-2012.
** Ph. D. y docente investigador del Departamento de Matemticas de la Universidad Central e
integrante del grupo de investigacin Tecnice. Correo electrnico: lmaldonadog1@ucentral.
edu.co
9
Introduccin
(Kolodner y Leak, 1997). Dos problemas que han motivado a que la matemtica
desarrolle modelos en interaccin con la inteligencia artificial y otras disciplinas
han sido la complejidad y la incertidumbre. Comprender y entender los procesos
del mundo real a partir de la interaccin entre mltiples componentes y prede-
cir lo que puede pasar es una poderosa motivacin para el desarrollo del conoci-
miento en la sociedad contempornea. En este proceso, la matemtica incorpora
tanto los desarrollos algebraicos como la representacin grfica: por ejemplo,
los desarrollos de la teora de grafos se unen a los de la teora de la probabilidad
para el desarrollo de algoritmos eficientes, de propsito general ( Jordan, 1999).
El inters en resolver problemas autnticos de la vida real mediante la cons-

truccin de modelos matemticos es caracterstico de la ciencia y de la tecno-
loga de la sociedad contempornea (Galbraith y Stillman, 2006). Este inters
est estrechamente relacionado por la forma como los cientficos conciben el
papel de la ciencia frente al contexto fsico, social e histrico. Los movimientos
econmicos y sociales de la sociedad industrial y de la sociedad de la informa-
cin marcan cambios en la concepcin del papel de la ciencia en la sociedad.
La ciencia pasa de su concepcin de perenne a perfectible; su papel de factor
de formacin de lite ideolgica y poltica a ser factor de desarrollo econmico
y social; los entornos de desarrollos aislados de los problemas y necesidades se
abren para estudiar de manera sistemtica las variables del entorno. La natura-
leza y complejidad de los problemas, la experticia histricamente construida, la
organizacin de recursos especialmente de informacin y la formulacin de
problemas son factores que entran en la dinmica de construccin de modelos
en contexto (Hoffman, Feltovich y Ford, 1997).
Este inters de las ciencias tiene repercusiones en los diferentes niveles de

la educacin. Kaiser, Blomhj y Sriraman (2006) sostienen que en las ltimas
dcadas la introduccin del modelamiento matemtico y de tecnologa de la
informacin son los factores ms relevantes en las reformas curriculares de ma-
temticas alrededor del mundo. La sociedad del siglo XXI tiene nuevas expec-
tativas acerca de la formacin de habilidades de su juventud; varios estudios
internacionales explicitan el inters por la formacin de habilidades para resol-
ver problemas de la vida real mediante modelos (OCDE, 2003); vale la pena
resaltar de forma particular el Programa para la Evaluacin Internacional de
Alumnos (PISA) de la OCDE, y la importancia que le ha dado a las compe-
tencias de modelamiento (OCDE, 2007).
Con base en las consideraciones anteriores, podemos afirmar que la cien-

cia contempornea tiene un inters dominante en construir modelos que per-
mitan tanto comprender la dinmica de los sistemas como mejorar el control
sobre los mismos; de igual manera, la educacin se interesa por mejorar la ca-
10
Luis F. Maldonado G.
pacidad de las personas para producir modelos como producto de su actividad

cientfica.
Los estudios de neurociencia se han interesado en describir el sistema cog-
nitivo de los seres vivos, particularmente el del ser humano. El cerebro acta
con base en organizacin de estructuras de neuronas; estas configuraciones
explican procesos como la percepcin. Las entradas de informacin al siste-
ma sensorial activan configuraciones ya existentes por comparacin de rasgos
y hallazgo de similitudes, al tiempo que actan modificando las estructuras
ya existentes, ya sea consolidando su configuracin o generando cambios en
la estructura. El resultado es un modelo mental que representa el mundo de
cada sujeto en momentos especficos. Estos modelos mentales son sistemas
que permiten hacer inferencias sobre los cambios posibles en el entorno y las
consecuencias para el mismo sujeto, y constituyen la base del comportamiento
adaptativo de los agentes inteligentes. El modelo mental puede tener una es-
pecie de rplica de s mismo en sistemas de smbolos fsicos, como por ejemplo
un diagrama o una frmula algebraica (Holland et l., 1986). En esta lnea de
pensamiento, el estudio sobre la competencia de modelamiento vincula la ge-
neracin de dos modelos: uno mental y otro externo. Al modelo externo tam-
bin se le ha denominado modelo conceptual.
El proceso de formar la competencia tiene su base esencial en el mode-
lo mental y se externaliza en el modelo conceptual como producto. El mo-
delo mental evoluciona en funcin de la experiencia perceptiva del entorno
que los aprendices tienen cuando tratan de resolver problemas, por accin so-
bre ese entorno y por la informa-
cin de retorno sobre el efecto de
las acciones sobre el entorno. La Problema
Formular Modelo
del mundo
experiencia puede ser directa del real
Matemtico
sujeto o por observacin de otros
sujetos que actan experien-
cia vicaria-. La base entonces de
la formacin de modelos menta-
Validar Resolver
les est esencialmente orientada a
la solucin de problemas; se ma-
nifiesta en reglas de accin que se
modifican por informacin de re-
torno. Holland et l. (1986) argu- Predicciones Interpretar Conclusiones
mentan que la formacin de esta acerca del
matemticas
mundo real
clase de competencia se da como
un conjunto complejo de elemen- Figura 1. Proceso de modelado. Modelo propuesto por
tos y que es muy difcil obtenerla BritoVallina et l. (2011, p. 130).
11
Introduccin
por componentes separados. La observacin activa del entorno y el conoci-

miento previo que se almacenan en la memoria de largo plazo dan lugar a la
interpretacin o creencias acerca de la manera como se comporta el ambien-
te y constituye el modelo mental, el cual activa reglas de accin que son los
mecanismos para regular la relacin con el retorno. La proyeccin del mode-
lo mental en alguna forma de lenguaje es propia del ser humano y constituye
el modelo conceptual. Las ciencias se construyen como sistemas de modelos
conceptuales que cumplen una funcin comunicativa, con la cual se entretejen
acciones colaborativas; estas pueden orientarse a actuar sobre el entorno y son
base de regulacin de los modelos mentales de los actores de la comunicacin.
La ciencia, en realidad, es la construccin colectiva que genera modelos men-
tales compartidos o dialogantes y modelos conceptuales; estos ltimos, que
constituyen el cuerpo visible de la ciencia, toman la forma de escritos u otras
formas de lenguaje documentado.
Desde la perspectiva cognitiva, los pocos estudios sobre el desarrollo de la
competencia de modelamiento muestran aproximaciones progresivas que pro-
bablemente consoliden movimientos en la formacin del nivel profesional. La
mayora de estos trabajos se centra en el modelo conceptual y en su funcin so-
cial; se razona en trminos del estado del conocimiento al que se ha llegado y
se espera que los estudiantes se ubiquen en posicin de estudiar y aprender de
estos desarrollos que estn contribuyendo a la solucin de problemas actuales;
adems, se pretende que mediante este dilogo se pueda lograr mayor desarrollo.
Brito-Vallina et l. (2011) parten de la concepcin del proceso de modelado

expresado en la estructura de la figura 1 y luego presentan un modelo de for-
macin de estudiantes de ingeniera. En ambos casos, resaltan cuatro caracte-
rsticas: relacin con el mundo real,
estructura matemtica, inferencia
1 Definicin del problema y de sus objetivos. matemtica y predicciones sobre el
2. Definicin de la teora que gobierna el problema. sistema modelado.
3. Descripcin de la situacin fsica en trminos
matemticos. El modelado se presenta como
4. Solucin matemtica del modelo.
proceso teleolgico; es decir, est
concebido en un entorno de so-
5. Comparacin del modelo con la situacin real.
lucin de problemas y se orien-
6. Estudio de las limitaciones del modelo.
ta al logro de objetivos coherentes
7. Aplicacin del modelo e interpretacin de los
resultados obtenidos.
con la solucin de problemas. Es-
tablecida la teleologa, se activa
Figura 2. Pasos en el proceso de modelado en la formacin
el proceso. El primer insumo es
de estudiantes de ingeniera propuestos por BritoVallina et l. la identificacin de una teora o
(2011, p. 131). construccin de conocimiento de
12
la comunidad cientfica o sistema de creencias validado y documentado; a con-

tinuacin, la descripcin del entorno, sistema o entorno fsico cumple el papel
de la observacin que activa la percepcin; viene luego la solucin matemtica,
que abstrae un sistema formal con relaciones entre sus elementos y operadores
que garantizan la transformacin de valores iniciales del sistema en los valores
esperados del objetivo; la siguiente preocupacin es valorar las limitaciones y
prever las posibles generalizaciones. La figura 2 muestra los pasos propuestos
por los autores.
De manera similar, Blomhj y Hjgaard Jensen (2003) identifican los siguien-
tes subprocesos del modelamiento: formulacin de una tarea en el dominio de
conocimiento o bsqueda; seleccin de objetos relevantes y sus relaciones; traduc-
cin en una representacin matemtica; uso de las matemticas para resolver el
problema, e interpretacin de resultados.
Blum y Borromeo (2009) sealan que en los debates sobre desarrollo cu-
rricular en matemticas, el desarrollo de la competencia de modelado est pre-
sente como objetivo deseable, pero contrasta con las prcticas escolares ms
frecuentes, y esto prueba que modelar es una actividad difcil tanto para los es-
tudiantes como para los profesores. Modelar es una tarea con exigencias cog-
nitivas fuertes para quien la desarrolla y pone a prueba la relacin entre la
autonoma del estudiante y la asesora al mismo. El apoyo a los estudiantes lo
enfocan en una mejor comprensin del entorno, en la ayuda a la formacin de
conceptos, en la motivacin, en la consolidacin de memoria, en la formacin
de actitudes positivas y en la proyeccin de una imagen positiva de la matem-
tica. Las dificultades ms frecuentes se ubican en la seleccin de variables, la
relacin entre ellas para formar una estructura y su iniciacin.
El proceso complejo de modelar integra procesos perceptivos, de razona-
miento y de memoria a nivel del modelo mental, as como formas de repre-
sentacin a nivel de los modelos conceptuales. Los aportes que componen este
libro abordan la formacin de la competencia de modelado desde la perspec-
tiva de la integracin de formas de representacin, de acuerdo con los compo-
nentes del desarrollo de los modelos.
Las representaciones mltiples son un tema de investigacin que ha to-
mado importancia con el desarrollo de los sistemas hipermediales computari-
zados. Lesgold (1998) introduce un campo de investigacin sobre la relacin
entre formas de representacin y categoras de aprendizaje. Encuentra que hay
relacin entre formas de representacin y niveles de abstraccin, entre la com-
prensin de la estructura de sistemas o de las caractersticas de sus partes, y que
tambin el desarrollo de analogas entre sistemas es facilitado por algunas for-
mas de representacin en contraste con otras.
13
Introduccin
Wang y Sun (2005), a partir de tres experimentos sobre la naturaleza de la

representacin y su ubicacin en la memoria, concluye que marcos diferentes
de representacin se pueden utilizar para codificar relaciones espaciales entre
objetos. Dependiendo de su dominancia, disponibilidad y validez, estas re-
presentaciones interactan para determinar el desempeo de la memoria. En
especial, las representaciones automticamente codificadas y practicadas ex-
tensamente se convierten en dominantes y su disponibilidad mejora el desem-
peo cuando son vlidas; cuando no lo son, las personas tienen que acudir a las
menos dominantes, de tal manera que las representaciones dominantes y no
vlidas generan deterioro en el desempeo por la interferencia que producen.
Si se eliminan estas representaciones, el desempeo mejora.
Moreno y Mayer (2011) comparan estudiantes que aprenden relaciones en-
tre procedimientos y conceptos en aritmtica mediante representaciones ml-
tiples o representacin nica. En pruebas de rendimiento, los estudiantes de
rendimiento superior, que tienen representaciones mltiples, obtienen resulta-
dos superiores a los obtenidos por quienes tienen una sola representacin; los
que trabajan con representaciones mltiples sacan ms ventaja en problemas
difciles que en problemas fciles, aprenden ms rpido, generan menos errores
de diferenciacin y muestran mayor capacidad de produccin, con la condicin
de que no haya sobrecarga de memoria.
Al revisar investigaciones en las cuales se estimula a los estudiantes a tradu-
cir representaciones de un formato a otro, Maldonado (2012) encontr que se
genera mayor atencin, mayor actividad de procesamiento y mejor retencin
en memoria de largo plazo.
El presente libro es el resultado de la ejecucin de un proyecto en el cual
experimentamos un escenario de representacin mltiple para la formacin de
la competencia de modelado en cursos de matemticas para ingeniera (figura
3). En primer lugar, se dispone un ambiente digital en lnea para la participa-
cin sincrnica que estimula el anlisis de contexto, la adquisicin y organiza-
cin de informacin y la bsqueda de alternativas a la solucin de problemas
de modelamiento. En segundo lugar, el proceso argumentativo motiva la es-
tructuracin algebraica de la solucin en otro ambiente digital especializado.
La primera forma de representacin tiene riqueza de informacin contextual,
la segunda se concentra en la seleccin de variables y en las relaciones entre las
variables y genera la representacin de un sistema de variables que se transfor-
ma mediante operadores matemticos hasta encontrar una solucin. En tercer
lugar, la representacin algebraica es insumo para la representacin diagram-
tica, en otro ambiente digital, que se concentra en la visin de conjunto del
proceso de solucin, dando como salida una visin de nivel ms general que
la solucin algebraica y que permite fundamentar comparaciones analgicas y
14
estructurales y, por ende, facilita la transferencia. En cuarto lugar, la represen-

tacin diagramtica de la solucin es insumo para la representacin en lengua-
je de computador, pues muestra el algoritmo de la solucin. La representacin
computacional habilita el juego de escenarios y formas de razonamiento de la
forma si entonces . Los modelos computacionales son base para exten-
siones de la solucin a problemas estructuralmente similares (vase figura 3).
Los captulos en que est organizado este libro giran alrededor de este plantea-
miento y aspiran a alimentar la discusin interdisciplinar sobre estrategias para
formar la capacidad de modelar de los estudiantes de ingeniera en sus cursos
de matemticas. Una base incipiente para la extensin de esta experiencia y
para la aplicacin de sus corolarios a otras materias y disciplinas por ejemplo,
la capacidad de modelar en biologa, ciencias del medio ambiente, ciencias so-
ciales, etc. surge naturalmente como contribucin adicional de este estudio.
Identifica el problema y su contexto. Identifica el sistema de variables,

Identifica fuentes de informacin estados, decisiones, procesos y
requeridas. Desarrolla argu- solucin.
mentos y los contrasta con
los de otros. Desarrolla
construcciones colabo- Solucin Solucin
rativas conducentes a argumentada algebraica
la solucin.
Modelo Representacin
computacional diagramtica
Representa en lenguaje de Representa grficamente
computador la solucin y el proceso lgico de solu-
visualiza posibles escenarios cin del problema. Muestra la
como modificaciones posibles estructura del proceso de solucin.
en el modelo construido.
Figura 3. Sistema de representacin mltiple para la formacin de la competencia de modelamiento en cursos de ma-
temticas para ingeniera.
El ambiente de experimentacin se desarroll en un sitio web habilitado en

la Red Nacional Acadmica de Tecnologa Avanzada Renata, en el que se
presentaron los resultados y se foment la discusin de los mismos, como par-
te de una estrategia de visibilidad de la produccin realizada por cada uno de
los participantes del proceso y la habilitacin de formas de interaccin en red,
entre integrantes de diferentes instituciones. Si bien el uso de este sitio web re-
quiere de un proceso de consolidacin en la comunidad acadmica, es el punto
15
Introduccin
de partida para la organizacin de una red de investigacin y soporte acadmi-

co en el rea de matemticas.
Los cuatro primeros captulos abordan el contexto general de la forma-
cin de la competencia de modelamiento desde la perspectiva histrica, epis-
temolgica, funcional y cognitiva. Los siguientes captulos desarrollan los
componentes del modelo experimentado con desarrollos conceptuales, meto-
dolgicos y evaluacin de resultados. Cierra el libro una sntesis sobre el valor
pedaggico del modelo.
Referencias
Blomhj, M. y Jensen, T. H. (2003). Developing Mathematical Modelling
Competence: Conceptual Clarification and Educational Planning.
Teaching Mathematics and its Applications, 22(3): 123-139.
Blum, W. y Borromeo, R. (2009). Mathematical Modelling: Can It Be Taught
And Learnt? Journal of Mathematical Modelling and Application, 1(1):
45-58.
BritoVallina, M. L., AlemnRomero, I., FragaGuerra, E., ParraGarca,
J. L. y Ariasde Tapia, R. I. (2011, mayo-agosto). Papel de la modela-
cin matemtica en la formacin de los ingenieros. Ingeniera Mecni-
ca,14(2): 129-139
Brwka, G., Dix, J. y Konolige, K. (1997). Nonomonotonic Reasoning: An over-
view. Stanford, CA: CSLI Publications.
Erdogan, A. (2010). Primary Teacher Education Students Ability to Use
Functions as Modeling Tools. Procedia Social and Behavioral Sciences, 2:
4518-4522.
Galbraith, P. y Stillman, G. (2006). A Framework for Identifying Student
Blockages During Transitions in the Modelling Process. ZDM, 38(2):
143-162.
Hoffman, R., Feltovich, P. J. y Ford, K. M. (1997). A General Framework for
Conceiving of Expertise and Expert Systems in Context. En Feltovich,
P. J., Ford, K. M. y Hoffman, R. (eds), Expertice in Context. Merlo Park,
CA: The MIT Press.
Holland, J. H., Holyoak, K. J., Nisbett, R. E. y Thagard, P. R. (1986). Induction:
Processes of Inference, Learning, and Discovery. Cambridge, Massachusse-
tts: The MIT Press.
16
Jordan, M. I. (1999). Learning in Graphical Models [Preface]. Cambridge, MS:

The MIT Press.
Kaiser, G., Blomhj, M. y Sriraman, B. (2006). Towards a Didactical Theory

for Mathematical Modelling. ZDM, 38(2): 82-85.
Kolodner, J. L. y Leake, D. B. (1997). A Tutorial Introduction to Case Based

Reasoning. En Leake (ed.), Case Based Reasoning: Experiences, Lessons &
Future Direction (30-65). Cambridge, MS: AAAI/The MIT Press.
Lesgold, A. (1998). Multiple Representations & Their Implications for Lear-

ning. En Van Someren, M. W., Reimann, P., Boshuizen, P. A. y De Jong,
T. Learning with Multiple Representations (307-319).
Ministerio de Educacin Nacional (2006). Estndares bsicos de competencias.

Bogot: Magisterio.
Ministerio de Educacin Nacional (1998). Lineamientos curriculares: matem-

ticas. Bogot: Magisterio.
Maldonado, L. F. (2012). Virtualidad y autonoma: pedagoga para la equidad.

Bogot: Iconk Editorial.
Organization for Economic Co-operation and Development (2007). PISA

2006 - Science Competencies for Tomorrows World. Vols. 1 y 2. Paris: OCDE.
Organization for Economic Co-operation and Development (2003). The PISA

2003 Assessment Framework-Mathematics, Reading, Science and Problem
Solving Knowledge and Skills, 194.
ParraGarca, J. L. y Ariasde Tapia, R. I. (2011, mayo-agosto). Papel de la mo-

delacin matemtica en la formacin de los ingenieros. Ingeniera Me-
cnica, 14(2): 129-139.
Wang, H., Johnson, T. R. y Sun, Y. (2005). Object Location Memory: The In-
terplay of Multiple Representations.Memory & Cognition,33(7): 1147-
1159.
Moreno, R. y Mayer, R. E. (2011). Multimedia-Supported Metaphors for

Meaning Making in Mathematics. Cognition and Instruction, 17(3):
215-248.
Sewell, D. K. y Lewandowsky, S. (2011, marzo). Restructuring Partitioned

Knowledge: The Role of Recoordination in Category Learning. Cogni-
tive Psychology, 62: 81122.
17
Captulo 1
Visin del modelamiento
a partir de la historia de los objetos
Luis Bayardo Sanabria Rodrguez*
Introduccin
E ste captulo propone una reflexin a partir de una revisin de literatura so-
bre los modelos generados por el pensamiento de los inventores expuesto
en artefactos diseados de manera emprica; especficamente se hace referen-
cia a las mquinas diseadas para suplir las necesidades de los pueblos desde
pocas remotas; adems, se interpretan ejemplos de los desarrollos tecnolgi-
cos alcanzados en diferentes pocas basados en principios cognitivos del desa-
rrollo del pensamiento.
El texto basa su construccin en los planteamientos de Jonassen (2006) res-
pecto del cambio conceptual y en la postura terica de la espiral del modela-
miento planteada, con un enfoque constructivista, por Maldonado (2013); esta
postura busca relacionar los modelos internos de las personas con los modelos
externos en una dinmica recproca para construir los modelos conceptuales.
De acuerdo con Nersessian (1999), se pensara que unos regulan a los otros en
una dinmica que forma la espiral del cambio conceptual. Al observar la evo-
lucin histrica de los artefactos, especficamente la evolucin de las mquinas,
se pueden concebir diferentes estados que han venido transformando el com-
portamiento de las personas. Los estados estn determinados por las realiza-
ciones de la gente, su evolucin se plantea en una espiral de conocimiento que
concentra su objeto de desarrollo en un modelo conceptual. El modelo con-
ceptual como ncleo de la espiral acta como transformador de las construc-
* Ph. D. y ocente e investigador de la Universidad Pedaggica Nacional e integrante del grupo

de investigacin Cognitek.
19
Visin del modelamiento a partir de la historia de los objetos
ciones sociales que van surgiendo en cada poca. En este sentido, la evolucin
del pensamiento del hombre se manifiesta en su capacidad para generar nuevas
representaciones como referentes conceptuales que van generando soluciones a
los problemas de la sociedad.
La invencin de mquinas es un referente para mostrar los modelos con-
ceptuales representados en descripciones textuales y grficas, diagramas, expre-
siones matemticas y otros tipos de representaciones. De acuerdo con Lesh y
Doerr (2003), los modelos son sistemas conceptuales consistentes de elemen-
tos, relaciones, operaciones e interacciones gobernadas por reglas que se expre-
san a travs de un sistema de representacin externo (p. 14).
Segn Jonassen (2006), existen dos tipos de modelos: mentales, en la mente
de las personas, y conceptuales, que representan a los primeros y se manifies-
tan mediante expresiones algebraicas, diagramas, programas de computador,
etc. Al hacer referencia a los sistemas mecnicos, el mental est relacionado
con la habilidad para comprender cmo trabaja una mquina, cules son sus
componentes principales o por qu funciona incorrectamente (Hegarty, Just y
Morrison, 1988). El resultado surge con la construccin de un modelo externo
donde el modelador puede describir los componentes de la mquina, sus carac-
tersticas funcionales y la interaccin o interrelacin entre ellos. En esta lgi-
ca, adquiere sentido la evolucin del modelo mental en un modelo conceptual
desde una mirada holstica, permitiendo la abstraccin de conocimiento de los
inventores representado en sus modelos.
Este captulo hace un recorrido histrico que inicia en la antigua Mesopo-
tamia, Grecia y Roma, pasando por la Edad Media y el Renacimiento, hasta la
Modernidad con la revolucin industrial y la Posmodernidad con el desarrollo
de la informtica, para mostrar por medio de las representaciones artsticas y
literarias la evolucin de las diferentes formas de modelamiento que proyecta-
ron la construccin de las mquinas.
Modelamiento en la civilizacin antigua

Como primer escenario de la evolucin del pensamiento se consideran las
civilizaciones antiguas de Mesopotamia y Egipto. Sus competencias para el
clculo numrico les permitieron resolver problemas en el manejo del comer-
cio, el recaudo de impuestos, manejo del riego en la agricultura, etc.
La necesidad de regar sus cultivos los llev a interesarse en el manejo del
agua (Mays, 2010a), mediante la construccin de canales y presas que reque-
ran hacer clculos y crear dispositivos para poderla sacar de los ros. El shadoof
o shaduf (figura 1), uno de los primeros artefactos mecnicos, fue inventado
20
Luis B. Sanabria R.
para suplir estas necesidades. El dispositivo se conoci en Mesopotamia en el

tiempo de Sargon de Akkad (ao 2300 a. C.), emperador semita, fundador de
la Dinasta de Akkad, que fue famosa por conquistar a los sumerios (entre los
siglos 23 y 22 a. C.) y luego a Mesopotamia; a esta ltima la domin durante
ms de un siglo (Chavalas, 2006). El modelo consista en una viga soportada
en un montante de madera que funcionaba como eje de rotacin, la cual te-
na en uno de sus extremos una bolsa y, en el otro, un contrapeso que le serva
como balanza para la persona que operaba el dispositivo. El movimiento de
balanceo permita sacar el agua de los ros (Mays, 2010a).
Si se asocia el desarrollo de esa poca con el surgimiento de estos modelos,
se podran encontrar evidencias de principios fsicos y matemticos proyectados
al desarrollo de los conceptos de equilibrio, que actualmente se traducen en el
principio de las palancas. Si se trata de representar esta transferencia del pen-
samiento, se puede introducir un anlisis prospectivo para deducir ecuaciones
que representaran el modelo matemtico del shadoof. Supngase que el modelo
de shadoof representa una palanca de primer gnero, cuyo punto de apoyo vara
segn las distancias de los pesos (la bolsa de agua y el contrapeso), esto genera
un sistema de equilibrio de fuerzas que podra describirse en un modelo dia-
gramtico representado por vectores y distancias (figura 1), y un modelo mate-
mtico representado por ecuaciones, cuyo elemento transformador demostrara
la premonicin del artefacto que fue construido en esa poca para resolver el
problema del riego agrcola.
F1.x1 = F2.x2
donde: F1: fuerza ejercida por el contrapeso
F2: fuerza ejercida por el peso del agua
x1, x2: distancias al punto de apoyo
F = m.g
m1.g.x1 = m2.g.x2
m1.x1 = m2.x2 MODELO MATEMTICO
m1 = m2.x2/x1 masa del contrapeso
m2 = m1.x1/x2 masa de la bolsa de agua
Figura 1. Modelo del shadoof
Los dos modelos obtenidos del

shadoof muestran los resultados de pre-
dicciones basadas en los modelos con-
ceptuales de los egipcios que tomaron
Fugura 2. Shadoff (ilus-
como referentes un problema real para tracin tomada de An-
construir sus artefactos. Estos resulta- cient Water Technologies,
dos se constituyen en un soporte para L.W. Mays, 2010).
21
sostener la tesis de la evolucin en espi-

ral del modelamiento, en el sentido de
mostrar el modelo como un elemento
funcional que facilita la evaluacin de
diferentes configuraciones de parme-
tros y variables. De otro lado, este mo-
delo conceptual, representado a partir
del esquema y de las ecuaciones, revela
Figura 3. Mecanismo de niveles y poleas de Arqu- indicios de procedimientos aritmticos
medes, utilizado como arma de asedio por los anti-
guos romanos (ilustracin tomada de A History of
y algebraicos correctos. Muy probable-
the Machine de Sigvard Strandh, 1979). mente los sistemas mecnicos fueron
construidos a partir de la evidencia f-
sica misma, lo cual lleva a pensar en el manejo del clculo como una premoni-
cin de las leyes de la fsica contempornea.
Modelamiento en Grecia y Roma

El segundo escenario de la antigedad est representado por Grecia y
Roma. En este caso, la externalizacin de los modelos mentales de los grandes
pensadores se hace por medio de las matemticas, la escritura y la pintura. Se
puede afirmar que existe una relacin entre el modelo mental y la manifesta-
cin visual en los diagramas y bocetos, en manuscritos y grabaciones en piedra
(Cheng, Lowe y Scaife, 2001). Los primeros modelos se expresan en diagra-
mas, dibujos y explicaciones incluidos en manuscritos como MHXANIKA o
Problemas mecnicos (Mon, 2009).
A comienzos de la poca griega clsica (600-300 a. C.), la matemtica era
una herramienta til en la solucin de problemas en contextos reales y en
la construccin de dispositivos mecnicos. Pensadores griegos importantes
como Aristteles y Arqumedes, mencionados en los escritos de Heath (2002)
y Mon (2009), plantean teoras acerca de la mecnica, postulando principios
matemticos referidos al modelamiento y al diseo de artefactos. Aristteles
en el ao 322 a. C. describe la naturaleza del equilibrio de la fuerza en me-
canismos simples, sin tener en cuenta el movimiento (Mon, 2009; Olivei-
ra, 2009) y Arqumedes, con su teora de las palancas y centros de gravedad,
demuestra la forma de levantar cargas muy pesadas utilizando fuerzas muy
pequeas (Hegarty, Just y Morrison, 1988). Las dos posiciones conciben for-
mas diferentes de ver un modelo: en principio Aristteles expresa su modelo
conceptual sin vincularlo directamente con el entorno, mientras Arqumedes
revela una relacin con los hechos que suceden en un contexto real como la
guerra. Existen evidencias que muestran la construccin de dispositivos para
22
Luis B. Sanabria R.
la guerra, con modelos que supe-

ran la construccin de mquinas
simples estticas. Algunos ejem-
plos en la lnea de Arqumedes
se remontan al ao 212 a. C. con
invenciones como el tornillo,
la polea, la palanca, la cua y la
rueda, que se integran en la pro-
duccin de armas para la gue-
rra contra los romanos (Kerle,
Corves, Mauersberger y Mod-
ler, 2011). Los dispositivos que
generaba Arqumedes a partir
Figura 4. Gra con garras de Arqumedes (ilustracin de D.
de sus invenciones consistan en P. Crane del libro A Picturesque Tale of Progress,de
mecanismos lanzadores de misi- O. B. Miller, 1935).
les y piedras, gras de poleas y
garras y mecanismos de niveles y poleas ubicados bajo el agua para voltear y
hundir los barcos, impidiendo su ingreso a los puertos (Mon, 2009). Una ilus-
tracin de este proceso histrico se muestra en las figuras 3 y 4, que mues-
tran varias invenciones de Arqumedes utilizadas como armas eficaces para la
guerra.
Otros ingenieros griegos que sobresalieron fueron Ctesibius, inventor, en el

ao 50 a. C., del reloj de agua y de varios mecanismos para generar el movi-
miento de autmatas, representados en animales, y Hern de Alejandra, quien
escribe acerca de las mquinas dinmicas formadas por catapultas y balistas,
utilizadas para lanzar flechas y piedras.
El pensamiento de los griegos muestra la transicin que surge de la represen-

tacin mental a la representacin matemtica, que en algunos casos culmina en el
diseo y construccin de objetos reales. Este nivel de pensamiento es un proceso
de externalizacin del conocimiento a travs del lenguaje matemtico y el diseo
de una mquina, y cuya relacin con el entorno es, por ejemplo, su uso como ins-
trumento de guerra. La contribucin griega al contenido matemtico incluye la
geometra plana y del espacio, la trigonometra y la ampliacin de la aritmtica.
La cultura romana se distingui por el auge de los centros urbanos, lo cual

foment el desarrollo de la arquitectura. Las matemticas de los romanos fue-
ron bastantes reducidas. Uno de los pensadores importantes fue Vitruvius Pollio,
quien en su tratado De Architectura (37 a. C.), adems de mostrar un verdadero
manual para la construccin de ciudades, describe dispositivos para elevar car-
gas y armas. Sus escritos narran la construccin de mquinas dinmicas como
23
las norias (que eran pisoteadas por hombres para elevar cargas a las cspides de
los templos), los escorpiones, las catapultas y las ballestas utilizadas en la guerra.
Los modelos mentales de los pensadores romanos se proyectan en el diseo
de modelos espaciales representados en planos y perspectivas acompaados de
explicaciones textuales. Conciben la construccin del modelo como un elemento
funcional acompaado de conceptos terico-prcticos, descritos en los textos y
representados en las grficas. Al respecto, Clini (2001) presenta un anlisis crti-
co de los dibujos y textos de la Baslica Fano descrita por Vitrubius en su tratado
De Architectura; a su vez, Ceccarelli (2009) documenta una de las mquinas ms
importantes descrita por Vitrubius, la rota magna o gra noria (figura 5a).
(a) (b)
Figura 5. a. Ilustracin de la rota magna (tomada de http:// en. wikipedia.Org/wiki/Tread-
wheelcrane). b. Ox-hoist de Brunelleschi (dibujo de M. Taccola, tomado de King, R. 2001,
Brunelleschis Domo, p. 61).
Modelamiento en el Renacimiento
El tercer escenario histrico hace referencia al Renacimiento, a partir del siglo
XV. Se destacan grandes artistas e ingenieros italianos como Brunelleschi y Da
Vinci. El primero desarroll la arquitectura y aport soluciones a problemas de
elevacin de cargas a alturas inimaginables para la poca. Sus mecanismos fueron
utilizados para subir materiales a los domos y naves de las iglesias. Estas mquinas
eran gras sofisticadas que elevaban grandes pesos. Da Vinci se distingui por sus
trabajos remarcados en dibujos y bocetos (Atkins, 2008).
Los modelos conceptuales se muestran en planos y proyecciones que ofre-
cen soluciones a problemas de su contexto. King (2001) relata el origen de las
mquinas ms celebres de Brunelleschi. Una de las mquinas que sobresale
es la ox-hoist o gra de bueyes, construida en 1421 y utilizada en la cons-
24
Luis B. Sanabria R.
truccin del domo de la famosa catedral de

Florencia en Italia (vase figura 5b). En esta
obra, el autor revela un modelo originado
en la observacin del problema que tena
para elevar pesos: percibe recursos del en-
torno y proyecta su modelo mental en pla-
nos, perspectivas y diseos que convergen
en la construccin de la mquina.
Despus de inventar la gra ox-hoist,
Brunelleschi construy en 1423 el castello
(figura 6). Su diseo consista en un mode-
lo de gra formada por un mstil de madera
coronado por una viga horizontal pivota-
da al mstil, lo cual le permita girar alre-
dedor de la cpula. El travesao horizontal
estaba asegurado con tornillos y sobre este Figura 6. El castello de Brunelleschi (di-
bujo de Leonardo da Vinci, tomado de R.
se montaba una gua de deslizamiento y un King, 2001, Brunelleschis Domo, p. 70).
contrapeso. Uno de los tornillos horizonta-
les mova el contrapeso a lo largo de la gua
de deslizamiento, mientras que otro mani-
pulaba la carga que era levantada por cuer-
das tensoras. Estos elementos facilitaban la
ubicacin de la carga de manera precisa en
la cpula de la iglesia donde descansaba la
gra. El movimiento simultneo de la carga
y el contrapeso mantenan el equilibrio de la
gra (King, 2001).
La necesidad de movilizar cargas sobre
la cpula de la catedral de Florencia con-
dujo a un nuevo diseo que afront Bru- Figura 7. Gra de la linterna de Brunelles-
nelleschi en 1443, inventando la gra de la chi (boceto de B. Ghiberti, tomado de R.
King, 2001, Brunelleschis Domo, p. 147).
linterna (figura 7). Su estructura estaba in-
tegrada por poleas mltiples, un contrapeso
y un sistema de frenado compuesto por un trinquete para mantener suspendi-
da la carga a diferentes alturas (King, 2001).
Los inventos de Brunelleschi muestran el entorno como el referente sobre
el cual el inventor proyecta su modelo mental en modelos conceptuales obser-
vables en las expresiones fsicas de sus obras. En la lgica de Brunelleschi, el
modelo conceptual y su relacin con el contexto son los activadores de nuevos
25
procesos cognitivos para generar producciones nuevas. Estos referentes con-

ducen a pensar en la evolucin en espiral de los modelos mentales cuando se
hacen evidentes en modelos conceptuales.
Leonardo da Vinci es famoso por sus modelos realizados en dibujos y bo-
cetos, premoniciones de grandes inventos de mquinas. Algunos de sus escritos
predicen leyes de la fsica descubiertas ms tarde y otros actualizan conceptos
de la fsica aristotlica. Las premoniciones de Leonardo da Vinci respecto de
la conservacin de la energa se evidencian en los dibujos de la rueda de movi-
miento perpetuo. En relacin con los mecanismos de poleas, se resalta el dibu-
jo de un volante que gira movido por una cuerda enrollada en su eje y un peso
suspendido en el extremo que le genera movimiento por accin de la gravedad.
En los dibujos de catapultas, se observan otros diseos donde aplica principios
dinmicos en los dispositivos de doble pndulo no lineales (Moon, 2009) (figu-
ra 8). Como arquitecto, su pensamiento se bas en observaciones, experiencias
y reconstrucciones de su entorno que lo llevaron a generar modelos que pre-
figuran futuros inventos de mquinas soportados en postulados tericos. Sus
intentos de desarrollar la aerodinmica lo llevaron a disear representaciones
de mquinas voladoras que imitaban el vuelo de los pjaros. Castro y Espino-
sa (2005) se refieren a la obra El cdice sobre el vuelo de los pjaros, en la cual da
Vinci muestra los principios fsicos de resistencia del aire y del movimiento re-
presentados en mecanismos sofisticados que replican el vuelo de las aves.
(a) (b)
Figura 8. Volante con efecto centrfugo y catapulta de doble pndulo nolineal de Leonardo da Vinci (Ilustracin tomada de
F.C. Moon, History of Dinamics of Machines and Mechanisms from Leonardo To Timoshenko, p.5).
El pensamiento de Leonardo da Vinci podra reflejar la observacin de mode-

los conceptuales y la activacin de procesos cognitivos para generar nuevos mo-
delos conceptuales representados de manera grfica para ser observados por otros.
26
Luis B. Sanabria R.
Algunos tratados del Renacimiento muestran grandes desarrollos del mo-

delamiento: representados por transformaciones de modelos conceptuales en
dispositivos sofisticados con funciones y usos en un contexto. Kerle, Corves,
Mauersberger y Modler (2011) y Moon (2009), al referirse a las publicaciones
aparecidas en el siglo XVI, distinguen, por su importancia, dos tratados, inclui-
dos en lo que se denomin Theatres of machines:
Thatre des Instruments Mathmatiques et Mcaniques, del francs Jacques
Besson, publicado en 1578, que incluye 60 ilustraciones de modelos de
mquinas y resalta las representaciones de la resonancia del pndulo apli-
cadas para accionar bombas hidrulicas y las mquinas para aserrar ma-
dera (figura 9a).
Le Diverse et Artificiose Machine, publicado en 1588 en italiano, que in-
cluye 195 ilustraciones de mquinas, la mayora elevadoras de agua (va-
se figura 9b. bomba hidrulica).
(a) (b)
Figura 9. a. Resonancia del pndulo para accionar una mquina de aserradero (Ilustracin tomada de F.C. Moon, His-
tory of Dinamics of Machines and Mechanisms from Leonardo ToTimoshenko, p.6, 2009). b. Bomba para elevar el agua
de Raminelli (Ilustracin tomada de H. Kerle, B. Corves, K. Mauersberger & K.H. Modler, The Role of Mechanism Models
for Motion Generation In Mechanical Engineering, p. 109).
Ya en esta poca, la matemtica era la principal herramienta que tena un hom-

bre de ciencia para entender la naturaleza, en particular para resolver problemas
de ingeniera. Su rpido desarrollo estuvo vinculado al uso y perfeccionamiento de
las mquinas y la construccin de estas determin la creacin de la mecnica te-
rica y el estudio cientfico del movimiento de cuerpos. Algunos modelos concep-
tuales de este periodo constituyeron el inicio del desarrollo de la ciencia moderna.
27
Modelamiento en la sociedad industrial

El cuarto escenario histrico es la revolucin industrial que se caracteriza
por el desarrollo de automatismos, el uso del hierro y el desarrollo de la indus-
tria textil. Adems de los avances sorprendentes en la ciencia, las matemticas
adquirieron en esta poca cierta independencia en relacin con otras cien-
cias, mediante el desarrollo de temas especializados que mejoraron los modelos
conceptuales. Los problemas surgidos a partir de la nueva industria se solucio-
naron a partir de teoras fsico-matemticas y aparecieron cada vez ms mode-
los conceptuales en todas las reas del conocimiento, como por ejemplo en la
economa y en las ciencias sociales.
El pensamiento de los inventores se centr en la construccin de artefactos
para reducir el esfuerzo y la mano de obra. La demanda de energa acompaa-
da del pensamiento economicista exigi a los creadores disear mquinas para
generar movimiento. Fue una poca de transformacin:
Los modelos conceptuales eran ms completos.
Los ingenieros se apoyaban en el desarrollo del pensamiento cientfico.
Se aplicaron los principios de la fsica moderna para crear grandes mqui-
nas, como la mquina de vapor de Watt, que determin la creacin de una
multiplicidad de modelos mecnicos que revolucionaron la produccin in-
dustrial y el desarrollo del transporte (vase el documento de Moon, 2009).
Se crearon escuelas politcnicas para formar a los ingenieros que deban
mejorar los modelos. Reuleaux (citado en Kerle et l., 2011), creador de
la cinemtica moderna, establece los principios de diseo para los meca-
nismos y las mquinas, e inventa la cadena cinemtica que sirvi de base
para la creacin de mecanismos y mquinas elementales, como el tren
de poleas, el tornillo sinfn, etc. Los principios del diseo son base para
generar estrategias pedaggicas y mtodos de aprendizaje para el mode-
lado de mquinas. Precisamente Reuleuax crea un mtodo para mode-
lar mquinas que consista en el anlisis, la codificacin y la sntesis de
mecanismos. En la base de este proceso estn el anlisis del entorno, la
codificacin de la informacin y la sntesis.
Modelamiento en la sociedad de la informacin

El ltimo escenario histrico considerado en este captulo corresponde a
la era moderna, distinguida por grandes cambios sociopolticos generados por
el desarrollo del capitalismo y el gran avance de la tecnologa computacional.
Es un periodo de transformacin del pensamiento analgico en pensamiento
28
Luis B. Sanabria R.
digital. Los modelos conceptuales, inspirados en la observacin de mquinas

antiguas, evolucionan a partir de la demostracin matemtica y la simulacin
computacional; el funcionamiento de una mquina se simula antes de su cons-
truccin. Por ejemplo, si se observa el diseo de la gra de torre descrita en Yu
(2008), originada probablemente, por sus muchas caractersticas similares, en
inventos previos como el castello de Brunelleschi (King, 2001), sus clculos se
desarrollan a partir de la simulacin de la capacidad de soportar pesos, la rigidez
esttica, el desplazamiento circular, la amortiguacin de los pesos, la rigidez de
los cables, el momento de giro... Estos factores son analizados para obtener un
modelo diagramtico y deducir las ecuaciones que permiten definir el modelo
algebraico de la gra (figura 10).
Diagrama Ecuaciones algebraicas

Figura 10. Modelo mecnico del desplazamiento de la gra de torre (tomado de L. Yu, 2008, Calculation method
and control value of static stiffness of tower crane, pp. 831-832).
Si se procesan las diferentes variables del anlisis matemtico en un progra-

ma de computador, se podra observar el comportamiento de la gra someti-
da a diferentes cargas, lo cual constituye una prueba de los requerimientos para
construccin del dispositivo real.
Los modelos conceptuales, hasta el momento, se haban aplicado en una
gran cantidad de problemas en ingeniera, en particular en la construccin de
mquinas. Estos modelos tienen una base fuerte en teoras fsicas y matemti-
cas; sin embargo, muchos de estos haban quedado relegados, porque presenta-
ban una cantidad desmesurada de clculos matemticos, imposibles de realizar
a mano. La informtica posibilita los clculos implcitos en los modelos con-
ceptuales y se analizan las diferentes componentes y usos de una mquina an-
tes de su construccin.
29
Conclusin
Los cinco escenarios se constituyen en un referente para mostrar los cambios
que ha tenido el ser humano en su percepcin del mundo y cmo la evolucin del
pensamiento lo ha llevado a transformar sus modelos conceptuales para generar
nuevas formas de representacin y nuevos dispositivos que le han permitido re-
solver problemas de su entorno. Si se hace un recuento de este recorrido hist-
rico, se puede encontrar que en la antigedad y en la poca medieval no existan
clculos para construir las mquinas; el modelo mental de los humanos se objeti-
vaba en modelos conceptuales premonitorios, a partir de los cuales se diseaban
y se probaban los dispositivos en contextos reales. Con el desarrollo de la ciencia
moderna, empieza a calcularse todo lo que se produce; los modelos de mquinas
son ms precisos y ms funcionales; el modelo conceptual de los individuos no
solamente incluye postulados y descripciones verbales y grficas, sino que adems
incluye la deduccin de frmulas y elaboracin de clculos, aparece la era digital
y la modelacin se realiza en programas computacionales. En general, existe una
transformacin de los modelos anlogos a digitales, proyectndose en la simula-
cin como forma de modelacin que antecede a la construccin del dispositivo.
La historia de las mquinas, desde los pensadores e inventores griegos has-
ta los arquitectos del renacimiento y sus posteriores aplicaciones a travs de la
cinemtica de las mquinas en la ingeniera moderna, ha venido mostrando la
transferencia de la invencin a partir de la relacin entre los modelos menta-
les y los modelos conceptuales. Este proceso inicia con la representacin de la
realidad como referente del modelo mental, y la construccin de modelos con-
ceptuales que surgen a partir de la demostracin emprica.
A partir de las creaciones antiguas se empiezan a observar los intentos del
ser humano para representar el modelo mental en un modelo conceptual ex-
presado en un objeto observable y manipulable. Esta accin ha dado origen a
las modificaciones sucesivas de los modelos conceptuales representados en bo-
cetos y artefactos que han sentado las bases para el desarrollo de la ingeniera.
Con la evolucin del modelamiento de los objetos se ha desarrollado el cono-
cimiento. Muestra de ello es el descubrimiento de los principios matemticos
y fsicos asociados al desarrollo de mquinas y dispositivos que cumplen una
funcin especfica: suplir la necesidad de aplicacin de fuerzas y movimientos
para convertirse en una extensin de las capacidades de los individuos.
El modelamiento crece en importancia a medida en que: a) aumenta la com-
plejidad de la mquina y de los factores que afectan su utilidad o efectividad; b)
aumenta el costo de crear mecanismos que no funcionen como se espera; c) la in-
tervencin de muchas personas en el proceso de creacin de mquinas obliga a dis-
tribuir informacin muy detallada y recibir feedback antes de y durante la creacin
(material) de la mquina.
30
Luis B. Sanabria R.
La necesidad de las mquinas trae consigo la necesidad de modelar sistemas

complejos y, con ello, el estudio de las matemticas recibe un gran impulso. En
nuestro proyecto, Renata II, se busca explotar esa asociacin natural e inmedia-
ta entre los modelos y el estudio de las matemticas, fomentando el aprendizaje
de las mismas a travs de experiencias controladas en el desarrollo de modelos
para la explicacin de fenmenos o solucin de problemas concretos.
Referencias
Atkins, J. (2008). Brunelleschi and the Dome of Santa Maria del Fiore. AIAr-
chitec, v. 15, Il Duomo: 1, e. 7. http://info.aia.org/aiarchitect/thiswee-
k08/0725/0725p_duomo.cfm
Brashea, R. (2004). Ramellis Machines: Original Drawings of 16th Century Ma-
chines. Washington D. C.: Smithsonian Institution Libraries.
Castro, A. y Espinosa, A. E. (2005). Leonardo da Vinci: la obsesin por volar.
Revista de Divulgacin de la Ciencia de la UNAM, 74: 26.
Ceccarelli, M. (2009). A Brief Account on Roman Machines and Cultural
Frames. En H.-S. Yan y M. Ceccarelli (eds.), International Symposium on
History of Machines and Mechanisms, Springer Science.
Chavalas, M. W. (2006). The Ancient Near East: Historical Sources in Transla-
tion. Oxford: Blackwell Publishing.
Cheng, P. C-H., Lowe, R. K. y Scaife, M. (2001). Cognitive Science Approa-
ches To Understanding Diagrammatic Representations. Artificial Inte-
lligence Review, 15: 79-94.
Clini, P. (2001). Vitruvius Basilica at Fano: The Drawings of a Lost Building
from De Architectura Libri Decem. The International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences,
Vol. 34, Part 5/W12.
Heath, T. L. (2002). The Works of Archimedes. New York: Dover Publication
Inc.
Hegarty, M., Just, M. A. y Morrison, I. R. (1988). Mental Models of Mecha-
nical Systems: Individual Differences in Qualitative and Quantitative
Reasoning. Cognitive Psychology 20: 191-236.
Jonassen, D. H. (2006). Modeling with Technology: Mindtools for Conceptual
Change. Columbus, Ohio: Pearson Prentice Hall.
Kerle, H., Corves, B., Mauersberger, K. y Modler, K. H. (2011). The Role of Me-
chanism Models for Motion Generation in Mechanical Engineering. En M.
31
Ceccarelli (ed.), Technology Developments: The Role of Mechanism and Machine

Science and IFToMM, Mechanisms and Machine Science 1, Springer Science.
King, R. (2001). Brunelleschis Domo: The Story of the Great Cathedral in Floren-
ce. London: Pimlico.
Lesh, R. y Doerr, H. M. (2003). Foundations of a Models and Modeling Pers-
pective on Mathematics Teaching, Learning and Problem Solving. En
D. H. Jonassen (eds.), Modeling with Technology: Mindtools for Conceptual
Maldonado, L. F. (2013). La espiral del modelamiento y la formacin de esta
competencia con apoyo de ambientes digitales. Sexto Encuentro Na-
cional y Segundo Regional de Experiencias Curriculares y de Aula en
Educacin en Tecnologa e Informtica: la Transversalidad e Interdisci-
plinariedad de la Tecnologa. Pasto, Colombia.
Mays, L. W. (2010). Ancient Water Technologies, Springer Science.
Mays, L. W. (2010a). A Brief History of Water Technology During Antiqui-
ty: Before the Romans. En L. W. Mays (ed.), Ancient Water Technologies
(pp. 1-3), Springer Science.
Moon, F. C. (2009). History of Dynamics of Machines and Mechanisms from
Leonardo to Timoshenko. En H. S. Yan, M. Ceccarelli (eds.). Internatio-
nal Symposium on History of Machines and Mechanisms, Springer Science.
Nersessian, N. J. (1999). Model-Based Reasoning in Conceptual Change. En
L. Magnani, N. J. Nersessian y P. Thagard (eds.), Models are Used to Re-
present Reality. New YorK: Kluwer academic/Plenum.
Oliveira, A. R. E. (2009). Some Origins of TMM Arisen from Pseudo-Aris-
totle and Hero of Alexandria. En H. S. Yan y M. Ceccarelli (eds.), In-
ternational Symposium on History of Machines and Mechanisms, Springer
Science.
Strand, S. (1979). A History of the Machine. New York: A & W Publishers Inc.
Vitruvius Pollio. Complete Dictionary of Scientific Biography. 2008. Re-
trieved August 05, 2012 from Encyclopedia.com:http://www.encyclo-
pedia.com/doc/1G2-2830904942.html
Yu, L. (2008). Calculation Method and Control Value of Static Stiffness of
Tower Crane. Journal of Mechanical Science and Technology, 22: 829-834.
32
Captulo 2
Validacin de modelos
desde la perspectiva epistemolgica
Hugo Franco Triana*

Sntesis
L a validacin de modelos en el ciclo de vida del modelado y la simula-

cin (M&S) es un proceso de gran importancia para garantizar no slo
la calidad de los resultados de las simulaciones, sino tambin la validez epist-
mica del modelo obtenido y de los resultados de la experimentacin numrica
asociados a dicho modelo, como representacin correcta, desde la perspectiva
de un problema, fundamental o aplicado, formulado a partir de caractersticas
y comportamientos propios de un sistema u objeto del mundo real. As pues,
diversos trabajos han abordado el problema del conocimiento que puede ser
obtenido mediante el anlisis conceptual del modelo para simulacin y de los
patrones de comportamiento exhibidos por la simulacin del mismo en am-
bientes computacionales. A continuacin se presenta el estado de la investiga-
cin sobre los aspectos epistemolgicos referidos a la validacin conceptual y
aplicada de modelos obtenidos mediante estudios basados en M&S.
Introduccin
El desarrollo de modelos para la descripcin de un aspecto particular de la
realidad ha estado presente desde las primeras etapas del pensamiento cient-
fico. Ya desde el segundo milenio a. C., culturas como la babilnica, egipcia e
* Ph. D. y profesor investigador de la Facultad de Ingeniera de la Universidad Central. Grupo

de investigacin Complexus. Correo electrnico: hfrancot@ucentral.edu.co
El autor agradece las valiosas conversaciones que sobre el tema sostuvo con el profesor Jos
Jess Martnez, MSc., de la Universidad Catlica de Colombia.
33
Validacin de modelos desde la perspectiva epistemolgica
india (Schichl, 2004) contaban con modelos aritmticos razonablemente ela-

borados y aplicados de manera efectiva a sus asuntos cotidianos. De hecho, las
primeras aproximaciones, provenientes de Egipto y Babilonia, y razonable-
mente precisas para el grado de desarrollo de las matemticas de la poca, es-
tuvieron ligadas a las necesidades de labores agrcolas. El concepto de modelo
sigui siendo empleado de manera espontnea en la antigedad, notoriamente
en la Grecia clsica, como mecanismo de descripcin y, de alguna manera, ex-
plicacin del comportamiento de los fenmenos naturales1.
De particular inters es el caso del modelo geocntrico del universo de Pto-
lomeo, que abord el estudio de una realidad fsica de ms difcil acceso a la
experiencia directa, y que buscaba, de manera explcita, la coincidencia de las pre-
dicciones del modelo con las rbitas, aparentemente caprichosas, de los planetas
observables para la poca. Estos objetivos -describir, explicar, predecir y facilitar
la medida de fenmenos naturales-, sumados al concepto de prueba, introducida
por Pitgoras como sustento argumentativo de sus modelos matemticos (prin-
cipalmente abstractos), contienen los cimientos de la disciplina del modelado.
De otro lado, el uso del modelado matemtico para la solucin de proble-
mas del mundo real, especficamente aquellos que tenan mayor relevancia o
prioridad por su utilidad prctica, implicaba el desarrollo de mtodos repro-
ducibles y de uso accesible por los usuarios finales, de modo que se obtuvieran
resultados vlidos y tiles. Tal necesidad fue abordada por Al-Jwarizmi en sus
trabajos sobre mtodos algebraicos que conduciran posteriormente al desarro-
llo del concepto de algoritmo, en el contexto de las ciencias de la computacin.
Los algoritmos son la base sobre la que se construyen implementaciones nu-
mricas de modelos adecuados para la reproduccin de caractersticas y com-
portamientos de los fenmenos modelados, mediante el uso del computador,
lo que se conoce actualmente como simulacin.
Bunge (1969) defini simulacin como una relacin entre los objetos x y
y, donde x simula a y, si: a) existe una relacin de correspondencia entre las
partes y las propiedades de x y y; b) la analoga es de valor para x, o la entidad
z que la controla. Guala (2002) critica esta definicin por ser antropocntri-
ca pero, sobre todo, imprecisa, al permitir que incluya, entre otros, la similitud
entre fenmenos no controlados ni observados y el simple uso de analogas en
descripciones verbales o la construccin de modelos estticos (p. ej. mapas).
Por su parte, Shannon y Johannes (1976, p. 723) definieron la simulacin como:
() el proceso de disear un modelo de un sistema real y llevar a
cabo experiencias con el mismo con la finalidad de comprender el
1 Ver captulo 1 de este trabajo.
34
Hugo Franco T.
comportamiento del sistema o de evaluar nuevas estrategias, dentro

de los lmites impuestos por un criterio o conjunto de ellos, para el
funcionamiento del sistema.
Una de las ventajas del uso de simulaciones computacionales (sustenta-

das, naturalmente, en modelos matemticos robustos) es que estas permiten
obtener resultados de utilidad en la caracterizacin del comportamiento de
fenmenos, objetos (diseos) y procesos del mundo real que no pueden ser
observados fcilmente en entornos experimentales controlados (laboratorio)
o mediante observacin directa. Actualmente, para la formulacin de teoras
consistentes, desde la astrofsica (dinmica de las galaxias, ciclo de vida de las
estrellas) hasta la mecnica cuntica (caracterizacin de la estructura de la ma-
teria, prediccin de existencia de partculas subatmicas), se hace uso creciente
en extensin e importancia de resultados provenientes de la experimentacin
numrica propia del modelado y simulacin.
En efecto, Rita Colwell, directora, en 1999, de la National Science Founda-
tion (NSF) de EE.UU., reconoci en la conferencia llevada a cabo ese mismo
ao que el modelado y simulacin, como conjunto de mtodos de solucin de
problemas, herramientas conceptuales y aproximaciones metodolgicas, cons-
tituye un tercer componente de la ciencia, al lado de teora y experimentacin
(Colwell, 1999).
En esta misma lnea, el panel de expertos establecido ad hoc para la for-
mulacin de polticas y estrategias para el fortalecimiento del desarrollo tec-
nolgico de EE.UU., se pronunci en trminos de la visin estratgica de la
inversin en formacin en ingeniera con base en el modelado y simulacin
(The NFS Blue Ribbon Panel, 2006, p. XVI ):
El panel recomienda que la NSF asegure un esfuerzo para explorar
la posibilidad de iniciar un ajuste de gran envergadura en nuestro
sistema educativo en ingeniera para reflejar la naturaleza multidis-
ciplinar de la ingeniera moderna y para ayudar a los estudiantes a
adquirir las competencias necesarias en modelado y simulacin.
Estos planteamientos reflejan el creciente inters en el valor estratgico del

M&S como soporte a las actividades de investigacin aplicada y desarrollo
tecnolgico e innovacin en trminos de liderazgo y capacidad efectiva de so-
lucin de problemas reales en funcin de su relevancia e impacto para el xito
econmico y social. La responsabilidad implcita en este objetivo, de natura-
leza estratgica a escala social, adquiere una importancia significativa, relativa
a la afirmacin de que los resultados obtenidos mediante estudios fundamen-
tados en M&S tienen tanta validez, desde el punto de vista conceptual y apli-
cado, como las teoras probadas empricamente mediante observacin directa.
35
Tal reivindicacin del carcter cientfico y del rigor metodolgico del M&S
da origen a conceptos, mtodos, procedimientos y tcnicas relacionadas con la
elaboracin de modelos para simulacin2 correctos y fieles del sistema bajo es-
tudio, de implementacin computacional consistente con el modelo formula-
do y de validacin de los resultados de dicha implementacin en el proceso de
simulacin del modelo. A su vez, los mtodos, procedimientos y tcnicas pro-
puestos en dicho proceso (conocido en el estado de la investigacin del rea
como el ciclo de vida del modelado) deben contar con un soporte epistemo-
lgico que respalde el conocimiento aportado al anlisis y solucin de cada
problema a partir de la aplicacin del M&S.
Conocimiento desde el modelado y simulacin

El Modelo
En su connotacin ms amplia, el modelo de un fenmeno es un conjunto
de representaciones formales, que incorpora sin ambigedad los conocimientos
adquiridos mediante todas las fuentes pertinentes sobre el fenmeno de inters
para el estudio. De esta forma, el modelo consiste en la especificacin formal de
los elementos de un sistema, las relaciones entre los mismos y los parmetros
que permiten contextualizar el desempeo del sistema de acuerdo con las carac-
tersticas del entorno y las relaciones del sistema del mundo real con el mismo.
As, el desarrollo del modelo asociado a un objeto, sistema o fenmeno, in-
dependientemente del mbito cientfico o aplicado en el cual tiene existencia,
busca la caracterizacin cualitativa y cuantitativa de un aspecto especfico del
objeto del mundo real, generalmente dinmico (comportamientos, evolucin y
cambios de estado del sistema relacionado), de inters para la consecucin de
los objetivos del estudio basado en M&S.
En el modelo para la simulacin se pueden incluir, entre otras, las siguien-
tes caractersticas:
Relaciones matemticas emergentes (alto nivel) entre determinados as-
pectos del sistema.
Mecanismos subyacentes relativos a las relaciones entre los diferentes
elementos del sistema.
Los valores umbrales de los parmetros que determinan la dinmica del
sistema a partir de cambios de estado.
2 En adelante se usar el trmino modelo para simulacin para referirse a modelos
especficamente desarrollados en el contexto de estudios fundamentales en M&S.
36
Hugo Franco T.
Estructuras y patrones caractersticos, coherentes con la formulacin

conceptual del modelo, en los resultados.
Patrones de interaccin y competencia entre estructuras coherentes.
El proceso del M&S
Desde la perspectiva de la NSF, citada anteriormente, el proceso de M&S,

como componente del conocimiento cientfico, exige un proceso sistemtico,
riguroso y reproducible, que permita garantizar la calidad de sus resultados,
tanto desde el punto de vista conceptual (cualitativo) en la caracterizacin del
objeto de estudio como desde el punto de vista de comportamiento (cuanti-
tativo) en la implementacin de los mtodos y herramientas computacionales
que permiten efectuar la experimentacin numrica. Sargent (2010) presenta
una versin sintetizada de los procesos y actividades requeridos en un estudio
basado en modelado y simulacin (ver figura 1).
Si bien en la mayo- Entidad

ra de reas de aplicacin del problema
el peso del trabajo rela-
Validacin Validacin
tivo al modelado se cen- operacional conceptual
tra en el desarrollo de un
Experimentacin Anlisis
modelo para reproducir un
Validez y modelado
comportamiento observa- de los datos
do (y medido), en el M&S,
como disciplina en s mis-
Modelo Modelo
ma, buena parte del tra- computacional
Programacin
conceptual
e implementacin
bajo se lleva a cabo en el
componente de modelado
en la bsqueda de dar res- Verificacin
funcional
puesta a la pregunta de in-
vestigacin que determina Figura 1. Proceso de M&S en funcin de la validez del modelo ob-
los objetivos del estudio. tenido (adaptacin propia del grfico presentado en Sargent, 2010).
En general, la aplicacin del M&S a la solucin de problemas especficos

en ciencias bsicas, ciencias sociales y econmicas e ingeniera, en trminos de
objetivos como la caracterizacin, prediccin, diseo, optimizacin, etc., se pue-
de entender como un ciclo (que est, implcitamente, inspirado en el concepto,
proveniente de la informtica, del ciclo de vida del software) en el que intervie-
nen de manera ms o menos secuencial las etapas de conceptualizacin basa-
da en descripciones en lenguaje natural, formalizacin en lenguaje matemtico,
implementacin computacional, verificacin funcional del modelo informtico
37
obtenido y validacin general del modelo en funcin de los resultados obteni-

dos, tanto en los aspectos conceptuales como en los resultados numricos con-
secuentes (ver figura 2). A continuacin se describe brevemente cada una de las
etapas mencionadas:
Conceptualizacin (modelo narrativo): anlisis general del sistema
real. Implica la determinacin formal de los elementos, aspectos y rela-
ciones relevantes en el sistema bajo estudio: definicin de las partes re-
levantes, de los procesos y de las relaciones y un planteamiento claro del
problema que se pretende solucionar.
Formalizacin (modelo esquemtico): definicin de las variables del
modelo. Seleccin y exclusin de partes y relaciones; escalas temporal y
espacial para la solucin del problema.
Implementacin (modelo informtico): traduccin del modelo esque-
mtico a la representacin codificada (en lenguaje de computador); re-
organizacin de ecuaciones; representacin apropiada de operaciones
(estructuracin del cdigo y optimizacin).
Verificacin funcional: anli-

Conceptualizacin
sis de estabilidad. Produce el
modelo resultados razonables/
Formalizacin
crebles? (experiencia). Anli-
sis de sensibilidad: variacin
Implementacin
de los resultados ante cam-
bios en las variables dentro
Verificacin
del rango de variacin natural.
Un parmetro crtico es aquel
Validacin
que induce cambios fuertes
con pequeas variaciones. Se
Tipo de error deben analizar los resultados
identificado ante cambios en los parme-
tros dentro del error propio de
Figura 2. Ciclo del modelado y simulacin en el que se discri- cada uno.
minan, segn casos, los errores de mayor jerarqua para refinar,
Validacin: comprobacin del
de manera cclica, el modelo resultante y su implementacin
computacional con fines de experimentacin numrica.
modelo con datos indepen-
dientes (fuentes de terceros). Comparacin de los resultados del modelo
respecto a modelos equivalentes en funcin (trabajos previos).
La validacin nunca es absoluta. Buenos resultados no garantizan un com-
portamiento correcto en todos los escenarios. La complejidad de los datos rea-
les siempre supera a la de los conjuntos de control. Los resultados contrastados
38
Hugo Franco T.
con el comportamiento conocido a priori del sistema bajo estudio permiten

hacer correcciones en el propio planteamiento inicial del modelo.
Epistemologa del M&S
La ontologa, en su acepcin tradicional, es definida como estudio del ser,

el estudio de lo que existe. En el mbito del M&S, es posible interpretar esta
definicin estableciendo que la ontologa del modelado corresponde a la des-
cripcin de un aspecto particular (fenmeno) del mundo real, de inters para
un observador determinado en la solucin de un problema especfico, entrega-
da por un modelo formal (matemtico).
Esta connotacin tiene un carcter representativo, en la medida en que los
comportamientos y caractersticas del sistema bajo estudio en un caso de aplica-
cin del M&S deben pasar por un proceso de abstraccin (eleccin de aspectos
relevantes al problema particular, simplificacin p. ej., linealizacin, elimina-
cin de factores secundarios, formalizacin de los valores y las relaciones entre
variables en especificacin matemtica, etc.), de manera que el modelo para si-
mulacin resultante sea susceptible de ser llevado a una implementacin com-
putacional y sus resultados puedan ser interpretados en funcin de los objetivos
del modelado, bajo la ptica del problema de investigacin abordado.
Concepto
(modelo para
simulacin)
Se
liza
ref
bo
ier
Sim
Significativamente Referente
(implementacin (sistema del mundo
de simulacin real)
Representa
Figura 3. Adaptacin al M&S del tringulo semitico propuesto por Richards y Ogden (1923).
Esta tarea de transformacin entre modos de representacin, relacionada,

segn Maldonado (2012), con el ciclo del modelado, se puede entender en su
analoga con el tringulo semitico (Ogden y Richards, 1923), tal como se
presenta en la figura 3, ya que implica la construccin de modelos conceptuales
basados en abstracciones de los elementos y relaciones del sistema del mundo
real hacia la construccin de referentes matemticos y computacionales me-
diante la formulacin de representaciones formales (en lenguaje matemtico)
39
y las correspondientes versiones algortmicas del modelo en la bsqueda de re-

sultados obtenidos mediante simulacin (en su componente de experimenta-
cin numrica).
El trabajo de Turnitsa, Tolk y Padilla (2010) utiliza el tringulo semiti-
co para organizar los aspectos ontolgicos, epistemolgicos y teleolgicos del
M&S en funcin del nuevo conocimiento que captura la realidad y ofrece pre-
dicciones a partir del comportamiento intrnseco al modelo desarrollado. La
caracterizacin obtenida bajo esta ptica se estructura de la siguiente manera:
Consideraciones ontolgicas: la relacin entre los vrtices referente y
concepto en el tringulo responde a las preguntas qu es y qu descri-
be; en referente, la perspectiva ontolgica de la realidad; en concepto, la
representacin ontolgica de la realidad.
Consideraciones teleolgicas: vrtices concepto y significante en su rela-
cin con el referente; se responde a la pregunta cul es el propsito del
modelo y su simulacin. En el vrtice concepto, cul es la pregunta de
investigacin que orienta el desarrollo del modelo; en el vrtice signifi-
cante, cul es la pregunta (en funcin de los resultados esperados) que
rige la simulacin.
Consideraciones epistemolgicas: la relacin entre los vrtices referente
y concepto responde a la pregunta qu es verdadero/falso en la abstrac-
cin que a su vez es verdadero/falso en el sistema del mundo real; entre
los vrtices concepto y significante, responde a la pregunta qu es ver-
dadero/falso en la implementacin que a su vez es verdadero/falso en el
sistema bajo estudio. Estas consideraciones permiten establecer qu es
considerado como conocimiento resultante de aplicar el ciclo de vida del
M&S a la solucin de un problema.
De este modo, se puede abordar la dimensin epistemolgica del proceso
de generar un modelo para simulacin, en funcin del conocimiento que puede
ser extrado del anlisis del modelo formulado y de la observacin de su com-
portamiento a travs de la simulacin de dicho modelo.
Si bien este tipo de conocimiento goza actualmente de reconocimiento y
aceptacin generalizados por la comunidad cientfica, la aproximacin filosfi-
ca, en general, y epistemolgica, en particular, al M&S es relativamente recien-
te, y muchos aspectos relativos a la teleologa y a la epistemologa detrs de los
estudios fundamentados en M&S estn an por abordarse. El enfoque de la
filosofa de la ciencia hasta las exhaustivas y amplias aportaciones de Thomas
Kuhn se haba centrado en aspectos ms cercanos al componente terico de la
ciencia, con una atencin relativamente menor a los aspectos de la aplicacin
40
Hugo Franco T.
posterior del conocimiento cientfico, relacionados estrechamente con la vali-

dez y utilidad de las teoras (modelos). Kuhn (1961) describi la estructuracin
terica del conocimiento emprico como un proceso creativo, capaz de proveer
aportaciones novedosas al conocimiento cientfico sobre un aspecto de la rea-
lidad, especficamente en la interpretacin de los fenmenos en funcin de sus
elementos y relaciones entre los mismos.
En este sentido, el mtodo cientfico (denominado en algunos trabajos
como modelo hipottico-deductivo al considerar incertidumbres, resolucin
en las medidas y otros aspectos prcticos) como nico medio aceptado de ma-
nera general por la comunidad cientfica para la formalizacin de procedi-
mientos, mtodos conceptuales y experimentales de generacin y acceso al
conocimiento y de interpretacin de los resultados y consecuencias de mode-
los y teoras, no ha alcanzado un estado completo de estandarizacin consen-
suada por la comunidad cientfica. Aun as y, a pesar de las crticas que autores
como Hempel (1966) han planteado a dicho modelo, en el contexto del M&S
se emplean de manera generalizada las mismas herramientas de anlisis para
interpretar y validar los resultados del proceso de modelado establecidas en la
experimentacin tradicional, tratando los resultados de las simulaciones y las
medidas numricas obtenidas a partir de los modelos desarrollados como re-
sultados experimentales por s mismos. Aportaciones recientes, como el tra-
bajo de Peschard (2011), estudian la novedad epistmica relacionada con la
formulacin e implementacin de un modelo para simulacin, apuntando que
esta novedad puede conseguirse mediante:
El hecho de que no todas las simulaciones provienen necesariamente de
una nica o buscan la constatacin de la misma.
La transformacin del modelo terico en un modelo para simulacin
por s misma puede ser una fuente de novedad suficientemente relevan-
te, con miras a la aplicabilidad del modelo (resultados empricamente
informativos, Peschard, 2011).
La implementacin computacional, mediante un algoritmo, de la solu-
cin a un problema especfico a travs de la simulacin propia del mo-
delo bajo estudio.
Aunque, desde la perspectiva epistemolgica, el M&S puede interpretarse de
acuerdo con la articulacin terica propuesta por Kuhn, algunos aspectos y ca-
ractersticas particulares del rea requieren de un tratamiento ajustado, espec-
fico del tratamiento de datos, cuyos orgenes y fuentes de error son distintos en
naturaleza de aquellos adquiridos en los procesos de experimentacin tradicio-
nal, en laboratorio. En particular, a diferencia de los errores sistemticos y de la
incertidumbre introducida por la resolucin de los aparatos de medida en la ex-
41
perimentacin tradicional, en el mbito de la simulacin se presentan errores

de aproximacin numrica, introducidos por la representacin computacional de
cantidades de tipo real (error de punto flotante), adems de aquellos artefactos
presentes en el comportamiento, producto de problemas de convergencia e ines-
tabilidades numricas de los mtodos empleados para reproducir computacio-
nalmente las caractersticas generales y, usualmente, la dinmica del modelo base.
Este reto ha sido abordado por filsofos de la ciencia como Laymon (1990),
quien expone en varios trabajos las consecuencias e impacto del uso de apro-
ximaciones y supuestos (generalmente simplificaciones, como es el caso de
la linealizacin en modelos fsicos) en la obtencin de conclusiones a partir
de teoras, especficamente sobre aquellas soportadas mediante resultados de
experimentacin numrica. Se han considerado los aspectos epistemolgicos
subyacentes a la confirmacin de una teora sometida a la presencia, en su sus-
tentacin emprica, de aproximaciones numricas y supuestos no verificables
de manera experimental y han explorado el impacto del xito en la prediccin
arrojada por la implementacin de un modelo y su experimentacin, mediante
simulacin, en la corroboracin de una teora. La importancia epistemolgica
de la aproximacin reside, pues, en la bsqueda de una justificacin racional
para la aceptacin de los conocimientos tericos producto del proceso de mo-
delado, ms que para los resultados de las propias aproximaciones.
En Ramsey (1992), se expone una crtica a Laymon, entre otros filsofos de la

ciencia, por reducirse a una concepcin esttica del concepto de aproximacin, al
ser esta entendida simplemente como la relacin entre la estructura terica que da
soporte al modelo y la estructura emprica del aspecto de la realidad bajo estudio.
Ramsey, por el contrario, observa la aproximacin como un proceso dinmico que
trasciende la mera comparacin entre resultados numricos y medidas experimen-
tales, haciendo que la aproximacin adquiera el carcter de estructura emprica.
En problemas de investigacin fundamental y aplicada, y con especial fre-

cuencia en el campo de la ingeniera, es comn encontrar confusiones entre los
conceptos de incertidumbre y error. La incertidumbre est asociada al error ex-
perimental debido a la configuracin del experimento a travs del cual se rea-
lizan las observaciones y medidas del sistema bajo estudio; en particular, a la
resolucin de los equipos de medida y, en M&S a las aproximaciones numricas
que deben aceptarse debido a las limitaciones de representacin de mquinas
discretas (computadores). El tratamiento del error, en el sentido epistemolgico
(Allchin, 2000) como la obtencin de modelos, implementaciones y resulta-
dos finales que no representan de manera correcta las caractersticas y compor-
tamientos del sistema del mundo real bajo estudio, es de importancia crucial
para asegurar la validez del modelo desarrollado y, por ende, para garantizar su
42
Hugo Franco T.
utilidad en la solucin del problema de investigacin subyacente y las aplicacio-

nes relacionadas al objetivo del M&S en el contexto del problema. El concepto
de error en M&S se puede definir entonces, segn Allchin (2000, p. 1), como
una afirmacin falsa que es interpretada y justificada como verdadera.
Dadas las caractersticas y retos conceptuales y tcnicos de los mencionados

procesos de transformacin entre representaciones y, en particular, la propie-
dad del M&S respecto a que la observacin e interpretacin de resultados se
hace a partir de datos arrojados por una implementacin computacional, cuya
funcionalidad es independiente de las leyes que rigen el sistema real bajo es-
tudio, existe el riesgo de que el modelo para simulacin y su implementacin
computacional cuenten con una consistencia interna que d lugar a resultados
coherentes con la misma, pero la descripcin o los resultados no sean vlidos
desde la perspectiva de comprensin de la naturaleza del sistema del mundo
real. Tal riesgo permite comprender ntidamente la diferencia entre verifica-
cin funcional y validacin en el ciclo de vida del M&S.
Experimentacin y simulacin
El algoritmo, y su implementacin en un lenguaje de programacin, que

resulta de la aplicacin del proceso de M&S, posibilita la generacin de un
conjunto de datos numricos (o alfanumricos en ciertos casos) que permite
extraer conclusiones sobre el comportamiento del modelo (como descripcin
de un sistema del mundo real) mediante su interpretacin a partir de diversas
tcnicas, algunas tradicionales (interpretacin de grficas, anlisis estadstico y
prueba de hiptesis, contraste con patrones obtenidos mediante estudios an-
logos, etc.), otras ms recientes y adaptadas a la naturaleza computacional de
los mtodos de solucin (visualizacin interactiva, comparacin entre resulta-
dos experimentales y simulaciones, reconocimiento de patrones y clasificacin
mediante aprendizaje de mquina, etc.); esto ha llevado a algunos autores a
considerar la simulacin como un proceso de prueba experimental de teoras3.
Alici y Edgar (2002) consideran que el concepto de experimentacin nu-
mrica es sinnimo de simulacin, si bien algunos trabajos de corte metodol-
gico definen la simulacin como la implementacin algortmica (y en ciertos
casos, la ejecucin de los algoritmos) del modelo y como un subproceso de la
experimentacin numrica. Sin embargo, debido a la estandarizacin del tr-
mino M&S, tiende a aceptarse que la simulacin involucra todos los aspectos
de formalizacin (desde la perspectiva computacional) del modelo matemti-
co, la implementacin algortmica de dicha formalizacin y su transcripcin a
3 El tema es abordado en detalle por Peschard (2010).
43
un lenguaje de computador adecuado al tipo de modelo bajo estudio e, incluso,

los procesos destinados a la generacin de valores numricos correspondientes
a los resultados y la implementacin de modos de visualizacin de los mismos.
En el sentido del conocimiento que se formaliza a travs de una teora (con-
ceptos y sus relaciones), cuya validez es probada de manera emprica (expe-
rimentacin sistemtica y reproducible), la simulacin se presenta como un
componente anlogo a la experimentacin que sustenta la validacin, mediante
observacin, de las hiptesis que dan lugar a una teora, ofreciendo resultados
cuantitativos susceptibles de ser interpretados, analizados de manera estadstica
para prueba de hiptesis, probados en su consistencia en relacin con los com-
portamientos y patrones conocidos del fenmeno o sistema modelado, etc. De
este modo, el uso para interpretacin, sntesis, validacin de teoras y la simula-
cin tiene fuertes analogas con la epistemologa de la experimentacin.
En Franklin (1986, p. 165) se propone la existencia de diferentes estrate-
gias epistemolgicas que pueden ser aplicadas, segn el rea de investigacin
cientfica o desarrollo tecnolgico, para justificar la aceptacin4 racional de un
resultado experimental llevado a cabo de manera sistemtica o, en palabras
del propio Franklin, el problema de la epistemologa del experimento. Entre
las estrategias identificadas en diversos campos cientficos, se destacan las si-
guientes propuestas por Rudge (1998) y aplicadas en dicho trabajo al estudio
de Kettlewell (1955) en el campo de la biologa evolutiva:
1. Comprobaciones experimentales y de calibracin en las que el aparato de
medida reproduce fenmenos conocidos.
2. La reproduccin de artefactos que se sabe, de antemano, estarn presentes.
3. Descarte de explicaciones alternativas de los resultados obtenidos.
4. Uso de los resultados experimentales en s mismos para argumentar en fa-
vor de su validez.
5. Uso de una teora bien corroborada (de manera independiente) del fen-
meno y que explica los resultados obtenidos.
6. Uso de un aparato de medida basado en una teora bien corroborada.
7. Uso de argumentos estadsticos (ejecucin de mltiples instancias del ex-
perimento).
8. Anlisis ciego.
9. Intervencin, en la que el experimentador manipula el objeto bajo obser
vacin.
10. Confirmacin independiente, mediante el uso de diferentes aproximacio-
nes experimentales.
4 Franklin se refiere a este punto como creencia (belief)
44
Hugo Franco T.
Es notorio que entre estas estrategias sean frecuentes las relacionadas con el
uso de aparatos de medida. La validez misma de las observaciones es, entonces,
un asunto crtico. En Hacking (1981), se acepta que el uso de dichos aparatos
implica necesariamente la incorporacin en el estudio experimental de la teo-
ra que sustenta el aparato. Es de admitir que el uso de dispositivos de medida
con un grado creciente de sofisticacin es, en la mayora de los casos, inevitable,
dada la necesidad de extender las capacidades sensoriales del ser humano en la
tarea de medir, de manera cuantitativa y con cierto grado de exactitud, los valo-
res de las variables que describen el estado y la evolucin de los parmetros de
inters de un sistema bajo observacin.
Siguiendo la exposicin de Franklin, esta necesidad de contar con mejores
mtodos y equipos de medida implica una extensin del concepto de observa-
cin directa, de manera que incluya explcitamente los supuestos provenientes
de las creencias tericas; tal labor fue abordada por Shapere (1982, p. 492),
quien defini observacin directa sobre el objeto x si: a) la informacin sobre x
es obtenida mediante un receptor apropiado y b) si tal informacin es trans-
mitida desde x hacia el aparato de adquisicin de manera directa (sin inter-
ferencia). En el caso de la experimentacin numrica, inherente a un modelo
matemtico de mayor o menor rigor formal, las observaciones, es decir, los re-
sultados obtenidos, tienen una utilidad anloga en algunos casos, pero con par-
ticularidades distintivas al carcter mismo del M&S, en donde los problemas
de ruido por adquisicin o error sistemtico en la observacin no estn pre-
sentes dado que los datos son obtenidos mediante clculos aritmticos ejecu-
tados por sistemas informticos. De otro lado, aparecen en escena el error por
aproximacin (debido a los mtodos numricos implementados para resolver
ecuaciones y sistemas de ecuaciones), el error debido a la representacin com-
putacional de datos numricos reales (p. ej., error de punto flotante) y el con-
cepto de estabilidad numrica relacionado con ambas fuentes de error.
A pesar de las conocidas limitaciones introducidas por los procesos de di-
gitalizacin (relativas a precisin, estabilidad, aliasing, etc.), diversos trabajos
se aproximan al estudio de problemas del alto grado de complejidad produci-
do por la experimentacin numrica y los comportamientos de sistemas reales
observados mediante tcnicas de medida. Un ejemplo particularmente intere-
sante se encuentra en Schlatter et l. (2011), en el que simulaciones de fluidos
mediante DNS5 reportan patrones de turbulencia (con las complicaciones in-
trnsecas a un fenmeno descrito usualmente como catico) con un alto grado
de cercana cualitativa y cuantitativa a las estructuras observadas en un tnel de
viento (Schlatter, Malm, Brethouwer, Johansson y Henningson, 2011).
5 Simulacin Numrica Directa (DNS, por su sigla en ingls).
45
Validacin en modelado y simulacin

A pesar de los avances en la robustez de los modelos matemticos y las
implementaciones computacionales empleados para la caracterizacin de fe-
nmenos en diversas reas de las ciencias naturales y sociales (de lo que es re-
presentativo el ejemplo de la seccin anterior), los fundamentos de la filosofa
de la ciencia establecen que una secuencia, ms o menos profusa, de valores
coincidentes entre medidas experimentales y resultados de simulaciones (con-
siderando, obviamente, errores de observacin y aproximacin) a lo sumo pue-
de incrementar la confianza en el modelo, pero no es en s misma una prueba
de su validez. Este hecho recuerda la potencial utilidad del falsacionismo pop-
periano, bajo cuya argumentacin una nica instancia experimental no coin-
cidente con el modelo empleado para la caracterizacin de un fenmeno o
sistema invalida completamente el modelo
As pues, desde el punto de vista epistemolgico, una de las tareas de mayor
dificultad en el mbito del M&S es la determinacin de la validez de la represen-
tacin de un sistema real provista por un modelo matemtico y, por ende, la fiabi-
lidad y utilidad prctica de los resultados arrojados por un proceso de simulacin
que se fundamente en el modelo en cuestin; consecuentemente, la capacidad del
modelo para reproducir de manera robusta las caractersticas y comportamiento
del objeto, fenmeno o sistema bajo estudio es un indicador del conocimiento que
se puede adquirir por medio del anlisis de sus caractersticas y comportamiento.
Verificacin y validacin en el ciclo del modelado
La verificacin de la consistencia interna del modelo para simulacin y la

validacin del modelo desarrollado en trminos de su fidelidad al sistema del
mundo real bajo estudio son aspectos indispensables del proceso de modela-
do que deben llevarse a cabo en cada iteracin del ciclo del modelado y, como
se expondr ms adelante, en el modelado particular de cada mdulo, aspecto,
elemento o submodelo involucrado.
La verificacin se desarrolla sobre las diferentes transformaciones de repre-
sentacin que permiten llevar la comprensin y conocimiento general de un
objeto o sistema del mundo real a la implementacin completa del algoritmo
o conjunto de herramientas computacionales para la simulacin de su com-
portamiento. Se puede decir, por lo tanto, que la verificacin es el proceso de
comprobacin de la calidad de la lgica interna y de la funcionalidad compu-
tacional resultante de la aplicacin del proceso de M&S.
46
Hugo Franco T.
La validacin, por su parte, consiste en el proceso de determinar si el mo-

delo para simulacin obtenido es una representacin precisa y fiel del sistema
del mundo real bajo anlisis. La validacin, por lo tanto, tiene un componente
epistemolgico ms fuerte que la verificacin, en la medida en que estudia la
validez del conocimiento que se puede extraer de la interpretacin del mode-
lo obtenido y, consecuentemente, los resultados que arroja la experimentacin
numrica desarrollada a partir de la simulacin.
De manera anloga al citado tringulo semitico de Ogden, es posible esta-
blecer claramente el mbito de aplicacin y las relaciones sobre las que se desa-
rrollan los procesos de verificacin y validacin del modelo para la simulacin.
Tcnicas de validacin de modelos en modelado y simulacin

Sistema Validacin Modelo
del mundo real conceptual
Validacin Verificacin
Simulacin
Figura 4. mbito de ejecucin de las tareas de verificacin y validacin en funcin de las relaciones entre el sistema
del mundo real, el modelo conceptual que abstrae dicho sistema y la implementacin computacional para simulacin
del modelo planteado.
Como se ha mencionado, los procesos de verificacin y validacin propios

del ciclo de vida del modelado deben llevarse a cabo de manera permanente du-
rante el desarrollo del modelo para simulacin. Sin embargo, la aplicacin por
s sola de pruebas de verificacin funcional y validez conceptual no basta para
garantizar la eficiencia ni, probablemente, el xito final de la aplicacin del pro-
ceso de M&S a la solucin de un problema especfico de investigacin, mxi-
me cuando, en la prctica, ningn modelo para simulacin puede ser verificado
y validado en un 100% (Carson, 2002). Por esto, conviene establecer aproxi-
maciones, prcticas y principios aplicables al proceso mismo de desarrollo del
modelo, de manera que se facilite la consecucin de un nivel alto de calidad, re-
forzado por las propias pruebas de validez que deben realizarse en cada proceso.
47
Dado el carcter estratgico que desde hace tres dcadas empezaron a tener los
estudios y propuestas tecnolgicas y metodolgicas fundamentados en el M&S,
el establecimiento de buenas prcticas de desarrollo de modelos en la bsqueda
de resultados exitosos, tiles y robustos ha cobrado importancia, especialmente
desde finales de la dcada de 1980. Algunos trabajos incorporan propuestas para
la evaluacin de aspectos que van desde tcnicas aplicables a procesos de concep-
tualizacin hasta mtodos de verificacin funcional de las herramientas inform-
ticas desarrolladas que permiten la simulacin del modelo construido.
Problema formulado
El problema
formulado representa no Se comete
adecuadamente el error tipo III
problema
real?
El problema
s formulado
no
se representa en un
modelo creible?
El problema tiene El problema NO
una solucin tiene una solucin
suficientemente creible suficientemente creble
La credibilidad La credibilidad
del modelo se ha no del modelo se ha
certificado?
no certificado?
s s
Los resultados Los resultados

del modelo se han no no del modelo se han
aceptado? aceptado?
See comete Se comete

s error tipo I error tipo II
Fin exitoso Fin con error tipo 1 Fin no exitoso Fin con error tipo II
Figura 5. Errores en el proceso de M&S segn Balci, 1998 (adaptacin de Cadavid (2010, p. 52).
48
Hugo Franco T.
En Balci (1998) se establece una caracterizacin de errores que pueden

presentarse en el desarrollo de un modelo para simulacin, segn la fidelidad,
credibilidad y verificacin funcional y matemtica del modelo obtenido, defi-
niendo, por medio del proceso presentado en la figura 5, los errores de tipos
I, II y III. Del exhaustivo trabajo de Balci se pueden extraer, de manera gene-
ral, adems, los grupos de tcnicas ms representativas (y de utilidad prctica
en M&S), tal y como lo presentaron Xiang, Kennedy y Madey (2005, p. 48):
Validacin de apariencia: contrastar, segn la experiencia del respon-

sable del modelado y de expertos en el rea de aplicacin, si el com-
portamiento presentado por la simulacin del modelo corresponde,
razonablemente, a lo esperado segn su formulacin y el sistema del
mundo real bajo estudio. Se puede conseguir mediante el anlisis de gr-
ficas y animaciones que permitan hacer un seguimiento a los comporta-
mientos de los elementos del modelo.
Rastreo: de manera similar a la inspeccin de variables en los procesos

de debugging (eliminacin de errores) en programacin de computado-
res, se puede hacer un seguimiento de los valores que toman las variables
que determinan el estado y la dinmica del modelo.
Validacin interna: comparar los resultados de diferentes instancias de

la misma simulacin con diferentes semillas para la generacin de n-
meros aleatorios. Es especialmente til en experimentacin numrica
para modelos con carcter estocstico.
Validacin mediante datos histricos: esto se ejecuta cuando hay dis-

ponibilidad de datos obtenidos en ciclos anteriores o estudios de M&S
aplicados a problemas anlogos. Parte de los datos ser usada entonces en
la construccin del modelo y otra parte en las pruebas de su desempeo
a partir de los comportamientos exhibidos por la simulacin del modelo.
Anlisis de sensibilidad: se presenta la entrada al sistema desarrolla-

do con variaciones sistemticas en los valores de entrada y de los par-
metros internos del modelo implementado para observar los efectos de
dichas variaciones en la salida (comportamiento) del modelo, compro-
bando, como sera de esperar, que dichos efectos sean equivalentes en la
simulacin y el comportamiento del sistema del mundo real.
Validacin predictiva: aplicable cuando existen datos empricos de ob-

servaciones experimentales rigurosas, realizadas sobre el sistema del
mundo real bajo estudio. Consiste en la comparacin de los patrones de
comportamiento obtenidos mediante los dos tipos de observacin.
49
Tests de Turing: en implementaciones suficientemente elaboradas, se

puede comprobar si un experto es capaz de diferenciar los resultados arro-
jados por la simulacin del modelo desarrollado de aquellos obtenidos
mediante tcnicas experimentales aplicadas al sistema del mundo real.
En Balci (1997, p. 136) se propone una serie de principios que, de ser apli-
cados de manera consistente y rigurosa, facilitara el diseo de las actividades
particulares del ciclo de vida del M&S en la construccin de un modelo capaz
de superar las pruebas de validez pertinentes segn su naturaleza. Estos prin-
cipios son:
La verificacin y la validacin deben ser realizadas a lo largo de todo el
ciclo de vida del M&S.
El resultado de la verificacin y la validacin no debe considerarse como
una variable binaria donde el modelo o simulacin es absolutamente co-
rrecto o incorrecto.
Un modelo de simulacin se construye para alcanzar unos objetivos y su
credibilidad se juzga con respecto a esos objetivos.
La verificacin y la validacin exigen independencia para evitar el sesgo
del desarrollador.
El proceso de verificacin, validacin y acreditacin es difcil y requiere
creatividad y perspicacia.
La credibilidad slo puede ser exigida tras cumplir las condiciones re-
queridas para que el modelo o simulacin pueda ser verificado, validado
y acreditado.
Una prueba completa del modelo para simulacin no es posible.
El proceso de verificacin, validacin y acreditacin debe ser planifica-
do y documentado.
Los errores de tipo I, II y III (Balci, 1998) deben ser prevenidos a priori.
Los errores deben ser detectados tan pronto como sea posible en el ci-
clo de vida del M&S.
El problema de la respuesta mltiple debe ser detectado y resuelto apro-
piadamente.
La prueba exitosa de cada submodelo (mdulo) no implica una credibi-
lidad general del modelo.
El problema de la doble validacin debe ser detectado y corregido apro-
piadamente.
50
Hugo Franco T.
La validacin del modelo para simulacin no garantiza la credibilidad y

aceptabilidad de los resultados de la simulacin.
Una buena formulacin del problema bajo estudio es esencial para la
aceptabilidad y acreditacin de los resultados del proceso de M&S.
Sargent (2010), por su parte, ofrece algunas recomendaciones que pueden
ser aplicadas de manera secuencial, a manera de procedimiento, basadas en una
formalizacin propia del ciclo del modelado, o ciclo de vida del modelado,
segn la analoga extrada de la ingeniera de software, y que implica un uso
continuo del modelo obtenido.
Sargent sintetiza su propuesta en los siguientes pasos:
1. Llegar a un acuerdo entre el responsable del M&S y los usuarios (pa-

trocinadores) del modelo y sus resultados, especificando la aproxima-
cin para la validacin del modelo y las tcnicas de validacin que se
emplearn en el proceso.
2. Especificar a priori el grado de exactitud de los resultados obtenidos

para las variables de inters para el estudio antes de iniciar la imple-
mentacin del modelo.
3. Probar, en todos los casos en los que sea posible, las suposiciones e hi-
ptesis que dan soporte al modelo.
4. En cada iteracin del ciclo del modelado, llevar a cabo al menos la va-
lidacin de apariencia sobre el modelo conceptual empleado.
5. En cada iteracin del ciclo del modelado, comprobar, mediante la im-

plementacin de la simulacin obtenida, el comportamiento de cada
aspecto del modelo susceptible de ser observado.
6. En al menos la ltima iteracin del ciclo de modelado empleada, com-

parar el modelo segn sus objetivos y los datos correspondientes al
comportamiento del sistema desarrollado (salida) para al menos dos
condiciones experimentales (escenarios) diferentes.
7. Documentar el proceso de validacin como un aspecto fundamental

de la documentacin general del proceso de modelado.
8. Si el modelo ha de ser empleado ms de una vez para el soporte de ac-

tividades de una organizacin por un periodo dado, establecer un ca-
lendario de revisiones peridicas de la validez del modelo.
51
Referencias
Alici, S. y Edgar, T. F. (2002). Nonlinear Dynamic Data Reconciliation via
Process Simulation Software and Model Identification Tools. Ind. Eng.
Chem. Res., 41: 3984-3992.
Allchin, D. (2000, mayo). The Epistemology of Error. Philosophy of Science

Assoc., Vancouver.
Balci, O. (1998). Verification, Validation and Testing. En Banks, J . (ed.),

Handbook of Simulation (pp. 335-394). New York: John Wiley & Sons.
Balci, O. (1997). Verification, Validation and Accreditation of Simulation Mo-

dels. En Proceedings of the 1997 Winter Simulation Conference (pp. 698-
705). Atlanta GA, EE. UU.
Bunge, M. (1969). Analogy, Simulation, Representation. Revue Internationale

de Philosophie, 87: 16-33.
Cadavid, L. (2010). Propuesta para la medicin del ajuste entre las metforas or-
ganizacionales y las herramientas de modelado (tesis de maestra). Univer-
sidad Nacional de Colombia, Medelln.
Carson, J. S. (2002). Model Verification and Validation. En Proceedings of the

2002 Winter Simulation Conference (pp. 52-58). San Diego CA, EE. UU.
Colwell, R. (1999). Complexity and Connectivity: A New Cartography for

Science and Engineering. En Remarks from the American Geophysical
Unions Fall Meeting. San Francisco CA, EE. UU.
Franklin, A. (1986). The Neglect of Experiment. Cambridge: Cambridge

University Press.
Guala, F. (2002). Models, Simulations, and Experiments. En Magnani, L. y

Nersessian, N. (Eds.), Model-Based Reasoning: Science, Technology, Values
(pp. 5974). New York: Kluwer Academic/Plenum Publishers.
Hacking, I. (1981). Do We See Through a Microscope? Pacific Philosophical

Quarterly, 63: 305-322.
Hempel, C. G. (1966). Philosophy of Natural Science. Englewood Cliffs, N. J.:

Prentice-Hall.
Kettlewell, H. B. D. (1955). Selection Experiments on Industrial Melanism in

the Lepidoptera. Heredity, 9: 323-342.
52
Hugo Franco T.
Kuhn, T. S. (1961). La funcin de la medicin en la fsica moderna. Mxico: Fon-

do de Cultura Econmica.
Laymon, R. (1990). Computer Simulations, Idealizations and Approxima-

tions. En PSA: Proceedings of the Biennial Meeting of the Philosophy of
Science Association (pp. 519-534). Minneapolis MN, EE. UU.
Magee, B. (1985). Popper. Londres: Fontana Press.
Maldonado, L. F. (2012, enero). La espiral del modelamiento. En Sexto En-

cuentro Nacional y Segundo Regional de Experiencias Curriculares y de Aula
en Educacin en Tecnologa en Informtica. Pasto, Colombia.
Peschard, I. (2011, diciembre). Computer Simulation and the Quest for Novel
Epistemic Novelty. 2011 Eastern Division Invited Paper in the Session:
Author Meets Critics: Eric Winsberg, Science in the Age of Computer
Simulation. Washington D. C. EE. UU.
Peschard, I. (2010, mayo). Is Simulation an Epistemic Substitute for Experimen-

tation? En Scientific Models and Simulations (4) Worskhop. Toronto, Canad.
Ramsey J. L. (1992). Towards an Expanded Epistemology for Approxima-

tions. En PSA: Proceedings of the Biennial Meeting of the Philosophy of
Science Association 1992.
Richards, I. A. y Ogden, C. K. (1989, junio 26 [1923]). The Meaning of Mea-

ning. Mariner Books; Reissue edition.
Rudge, D. W. (1998). A Bayesian Analysis of Strategies in Evolutionary Bio-

logy. Perspectives on Science, 6: 341-360.
Sargent, R. G. (2010) Verification and Validation of Simulation Models. En

Proceedings of the Winter Simulation Conference (pp. 166 -183). Baltimo-
re MD, EE. UU.
Schichl, H. (2004). Models and the History of Modeling. En Kallrath, J. (ed.),

Modeling Languages in Mathematical Optimization (pp. 25-36). Boston
MA: Kluwer.
Schlatter, P., Malm, J., Brethouwer, G., Johansson, A.V. y Henningson, D.

S. (2011). Large-scale Simulations of Turbulence: HPC and Numeri-
cal Experiments. 7th International Conference onE-Science (e-Science),
IEEE, 5-8, 319-324.
53
Shannon, R. y Johannes J. D. (1976). Systems Simulation: the Art and Scien-

ce.IEEE Transactions on Systems, Man and Cybernetics,6(10): 723-724.
Shapere, D. (1982). The Concept of Observation in Science and Philosophy.

Philosophy of Science, 49(4): 485-525.
The NSF Blue Ribbon Panel on Simulation-Based Engineering Science

(2006, mayo). Simulation - Based Engineering Science: Final Report. NSF,
EE. UU.
Turnitsa, A., Padilla, J. J. y Tolk C. (2010). Ontology for Modeling and Simu-
lation. En Proceedings of the 2010 Winter Simulation Conference (pp. 643-
651). Baltimore MD, EE. UU.
Xiang, X., Kennedy, R. y Madey, G. (2005, abril). Verification and Validation

of Agent-based Scientific Simulation Models. En Agent-Directed Simu-
lation Conference (pp. 47-55). San Diego CA, EE. UU.
54
Captulo 3
El modelamiento en economa
Raul Drachman*
Reuma De Groot**
Introduccin
M odelar probablemente sea la ms notoria de las prcticas que les son

comunes a la economa y a la ingeniera. La complejidad en todos sus
aspectos y dimensiones est presente en ambas disciplinas, y de ah el papel
fundamental que cumple el modelamiento en ellas. La ciencia econmica, sin
embargo, es especial en el sentido de que no puede concebirse sin modelos, y
esa dependencia la hace potencialmente muy til como caso de estudio para un
mejor uso de los modelos en otras ramas del saber. Aunque haremos mencin
a algunos de sus hitos, no es la evolucin histrica del modelamiento en eco-
noma lo que ms nos interesa aqu, sino qu y cmo se hace, y qu enseanzas
pueden trasladarse de esa experiencia. Adems, en los elementos bsicos que
ataen al uso de las representaciones verbal, diagramtica, matemtica y com-
putacional (esta ltima, con excepcin de su alcance), y abstrayndonos de su
contenido cientfico propio, el modelamiento en economa no ha cambiado en
lo esencial en las ltimas dcadas.
Se ha resaltado en este libro la analoga de la prctica del modelamiento
con una espiral, que mantiene su total vigencia en lo que concierne a los mode-
los econmicos. Esta analoga representa el trnsito continuo de teora a mo-
delo y viceversa, en una evolucin que busca llegar a un mejor entendimiento
de algn fenmeno (punto imaginario asociable al centro de la espiral). En ese
* Ph. D. y docente investigador de la Universidad Hebrea de Jerusaln. Grupo de investigacin

Kishurim. Correo electrnico: drachil@netvision.net.il
** Ph. D. y docente investigador de la Universidad Hebrea de Jerusaln. Grupo de investigacin
Kishurim. Correo electrnico: msruma@mscc.huji.ac.il
55
trnsito se enriquecen mutuamente los procesos de comprensin de la realidad

y la calidad y precisin del modelo. En efecto, Samuelson y Nordhaus (1998)
definen un modelo como un marco formal que permite representar las caracte-
rsticas bsicas de un sistema complejo mediante unas pocas relaciones centra-
les. Estos modelos agregan los autores pueden asumir la forma de grficos,
ecuaciones matemticas y programas de computacin. La idea clave aqu es
simplificar sin perder lo esencial, pero a su vez tambin dar base a un proceso
dinmico e iterativo de sofisticacin (del modelo) que permita que esa com-
prensin de la realidad sea, gradualmente, la mejor posible.
Una cuestin de importancia

Al tratar de explicar cierto fenmeno ya ocurrido o de predecir un resulta-
do de poltica econmica, lo que distingue principalmente un modelo de otro
en el arsenal del economista es la importancia relativa que el autor del modelo
haya dado a un factor u otro; se entendiendo por factor cualquier elemento
presente en el modelo, incluyendo especialmente las variables que se usarn y la
seleccin y los detalles de construccin de las ecuaciones componentes (como
formalizacin de sus relaciones), que obviamente encierran tambin supuestos
relativos al comportamiento de las unidades o agentes econmicos y, en general,
a la forma de operar del modelo (vase, por ejemplo, Holcombe, 1989).
Esa importancia relativa puede ser imaginada como un valor en la esca-
la que va de 0 (el factor fue ignorado, voluntaria o involuntariamente) a 1 (el
factor se toma en cuenta y la forma en la que el modelo fue construido ase-
gura que sea preponderante en cuanto a la magnitud del efecto o a su veloci-
dad de manifestacin). As, por ejemplo, al analizar la economa de un pas X,
un economista podr usar un modelo que no tome en cuenta el sector externo
(importacin y exportacin de bienes y servicios, movimientos de capital con
el exterior, etc.) si considera esa economa como cerrada; es decir, prctica-
mente aislada del resto del mundo y autosuficiente en todo lo econmico. El
economista deber tener presente que eso es slo una aproximacin a una rea-
lidad ms compleja y que, por lo tanto, la herramienta y sus resultados debe-
rn ser usados con cautela; usar ese modelo porque simplificar su tarea y as
espera aclarar una imagen econmica que de otra forma le sera imposible
comprender. Durante mucho tiempo, EE. UU. fue considerado una economa
relativamente cerrada (dado el predominio de la actividad puramente interna
all), y los modelos inspirados en esa economa fueron muchas veces de econo-
ma cerrada. Usar esos mismos modelos para una economa abierta como la
de Japn, por ejemplo, para las mismas pocas, hubiera sido inapropiado o, por
lo menos, hubiera requerido de justificacin adecuada. Si bien siempre hubo
56
Raul Drachman, Reuma De Groot
conciencia de las limitaciones que implicaba ignorar un subsector general-

mente tan importante como el externo en un modelo macroeconmico, no fue
hasta las dcadas 1960-70 en que se comenz a dar al punto la atencin me-
recida (vase, por ejemplo, Barro y Grossman, 1976; Dornbusch, 1980). Y hay,
por supuesto, muchos otros ejemplos de modelos econmicos caracterizados
por ignorar o resaltar la importancia de ciertos factores o elementos a cuenta
de otros como intento de aproximarse a una realidad determinada (ejemplos
clsicos son el rol del dinero en la economa, los mercados de valores financie-
ros, la forma de disponer de los ahorros, etc.). Evidentemente, todas estas sim-
plificaciones requieren de un sustento terico para tener sentido.
En un contexto relacionado, un caso especial que cabe destacar en la evolu-
cin de los modelos es el referente a las expectativas. Estas siempre tuvieron un
rol importante en la teora econmica, pero desde comienzos de la dcada de
1960 (con el trabajo pionero de Muth [1960, 1961], redescubierto por Wal-
ters [1971]), y especialmente en los aos 70 (Lucas [1972, 1973, 1976], Sar-
gent [1973], Mussa [1975], Barro [1976], Sargent y Wallace [1973 y 1976],
etc.) y hasta ya bien entrados los aos 80, tuvo lugar una verdadera revolucin
intelectual con la introduccin del modelo de expectativas racionales. Este
propone que las expectativas (de precios, tipos de cambio, tasas de inters, nivel
de produccin o empleo, etc.) se generan en consistencia total con las mismas
ecuaciones que componen esos modelos; es decir, se derivan de ellos en forma
lgica, racional, en vez de estar dictadas por esquemas ms o menos arbitra-
rios. Esto trajo consecuencias de gran alcance que afectaron el pensamiento
econmico y, con l, la forma de construir modelos (vase Mishkin, 1995).
La diferenciacin de modelos con base en la mayor o menor importancia
relativa adjudicada a ciertos factores es parte de esa esencia estable a la que
hicimos mencin ms arriba, y es comn a todos los modelos econmicos, pa-
sados y presentes. El que esas diferencias hayan persistido se debe presumi-
blemente a que los economistas no se han puesto de acuerdo en cuanto a la
composicin de la lista de esos factores, a sus pesos relativos, a la naturaleza
de las relaciones que los ligan, o a la forma en que todo esto puede ser medido
(previa estimacin de los parmetros y especificacin formal de esas relacio-
nes o ecuaciones, ya que sus valores reales nunca son conocidos). En otras pa-
labras, la complejidad de esa realidad y la necesidad de entenderla son la razn
de ser de los (distintos) modelos en economa y la que los ha perpetuado en el
marco de una evolucin que no parece tener fin.
Las secciones que siguen en este captulo representan un intento de extraer de
la experiencia de modelamiento en la ciencia econmica algunos elementos que
consideramos tiles cuando el foco de atencin est en el uso del modelamiento en
otra disciplina, como es la ingeniera en el proyecto en el que estas ideas se incu-
57
baron. Comenzando por una resea breve del papel que cumplen los modelos en
economa, seguimos con una presentacin de la forma en que estos modelos pue-
den clasificarse para permitir un anlisis ordenado de los mismos y un mapeado
ms claro de las relaciones interdisciplinarias que los modelos de cada tipo puedan
tener. Examinamos luego el valor percibido, o esperado, de los modelos econmi-
cos por sus usuarios, los usos comunes de los modelos y sus limitaciones. Cerramos
el captulo con algunas conclusiones, recomendando ciertos nfasis y prioridades al
planear actividades que involucren el diseo y la utilizacin de modelos.
El papel de los modelos en la ciencia econmica

Explcita o implcitamente, los modelos estn siempre presentes en la eco-
noma. Adems de permitir medir, estimar o predecir efectos de medidas o po-
ltica econmicas y as, por ejemplo, sentar sobre una base ms slida la toma
de decisiones, los modelos juegan un papel fundamental tambin en la cons-
truccin de la teora econmica y ayudan a entender conceptos y fenmenos
a nivel terico. A ese nivel, podra decirse que en economa no hay diferen-
cia sustancial entre la teora y el modelo, todo es un modelo. Distintas teoras
econmicas o distintos enfoques y explicaciones de un fenmeno econmico
se corresponden con la adopcin de un modelo econmico determinado, dis-
tinto de otros a veces slo a nivel mental y no siempre conscientemente. En
efecto, para ciertos autores, la diferencia entre modelo y teora en economa es
mayormente cosmtica. Por ejemplo, para Begg, Fischer y Dornbusch (2000),
mediante un modelo o teora se puede hacer una serie de simplificaciones de
las que puede deducirse la forma en la que la gente acta: se trata de una sim-
plificacin deliberada de la realidad. Esta versin simplificada de la realidad se
refleja al abstraer ciertos aspectos (considerados por su autor, como dijimos,
menos importantes para el problema en cuestin) o proponer relaciones fun-
cionales distintas, o resaltar la prioridad de algunas de ellas sobre otras, o pro-
poner un escenario de accin, supuestos bsicos, etc., diferentes a los usados en
otros modelos (vase Walsh, 1987). Esa simplificacin de la realidad se consi-
dera necesaria para poder entenderla.
La explicacin provista por un modelo busca basarse en la lgica, por lo
cual en definitiva el modelo ser tan bueno como sus supuestos bsicos (inclu-
yendo la especificacin de las ecuaciones, sus parmetros, etc.). En economa,
adems, el supuesto de que los agentes (individuos, empresas, gobierno, etc.)
actuarn en forma lgica, racional, consistente que no es un supuesto menor,
muchas veces no se cumple; en otros modelos econmicos ni siquiera se asume.
Dado que la lgica interna del modelo s se respeta, surgen de aqu pregun-
tas que pueden afectar la validez emprica del modelo. Varios autores (vase
58
Evans, 1997) han destacado el papel central que cumple la coherencia lgica
interna en los modelos, ya que esta quizs an antes de considerar la consis-
tencia externa del modelo, en cuanto a si sus resultados se corresponden o no
con las observaciones de la realidad da a esos resultados una validez a priori.
Qu es lo que se simplifica?
El foco de este anlisis es resaltar el hecho de que el modelo especialmente
en economa representa un intento de entender una realidad muy compleja.
El autor del modelo, o quien lo use, deber estar atento a esa separacin o dife-
renciacin entre realidad y modelo. En principio, podra decirse que donde la
realidad sea plenamente comprendida y donde todos los valores de los parme-
tros en juego y las cantidades o medidas sean sabidos, no habr lugar a modelo
como tal. Y aqu probablemente encontremos una diferencia entre la economa
(y otras ciencias sociales) y la ingeniera, tanto a nivel terico como prctico.
En ingeniera y en las ciencias exactas en general existen realidades totalmente
entendidas y explicadas. Referirse a un modelo, en este caso, sera equivalente a
referirse a la realidad, que para entenderla no fue necesario simplificarla. Esto,
como dijimos ms arriba, no se da, o sera muy raro, en economa1. Y tambin
a nivel prctico pueden concebirse problemas o situaciones que la ingeniera
los resolvera en forma total y exacta sin necesidad de ninguna simplificacin
(ni, por ende, de modelo).
El prrafo anterior podra generar alguna pregunta con respecto a la cober-
tura del concepto de modelo. Slo si hay simplificacin este tiene razn de
ser?, no estara esto en contradiccin con lo expresado en el captulo sobre las
mquinas? En la figura 1 se muestra el modelo del shadoof. La realidad mode-
lada all es una palanca con todos sus elementos componentes y actuantes. A
pesar de que esta realidad es 100% comprendida, no hay duda de que ambas
partes (diagramtica y matemtica) de la figura constituyen un modelo. Por un
lado, y aunque no quede en evidencia a primera vista, s hay cierta simplifica-
cin de una realidad compleja en ese modelo; por ejemplo, se desprecia el efecto
del rozamiento que pueda existir en el punto de apoyo. Pero aun ignorando esta
sutileza, el esquema y las ecuaciones all presentadas cumplen una funcin de
modelo, en el sentido de que permiten su uso en lugar de tener que recurrir a la
realidad (es decir, usar una palanca real, material) para evaluar diferentes cons-
telaciones de parmetros o variables. As, por ejemplo, si el largo del brazo x2
fuese el doble de lo que es, sin otros cambios, responder a la pregunta de cunto
1 Una posible excepcin seran los modelos contables, por ejemplo de la contabilidad nacional
(ver ms adelante). Estos modelos no tienen componentes funcionales de comportamiento,
sino slo identidades y sus corolarios inmediatos.
59
tendra que ser el peso del agua para balancear al contrapeso dado no requerira
construir una nueva palanca con esos datos nuevos, sino simplemente aplicar
el modelo haciendo los clculos necesarios. Nos ahorraramos la construccin
material de un objeto (que en la prctica podra ni siquiera ser viable, por ra-
zones diversas). En este sentido, podemos ver el modelo como un instrumento
til, que provee un servicio importante. Vista de este modo, la simplificacin de
la realidad, tornndose manejable y ms entendible, es consonante con la facili-
tacin posibilitada por el modelo. Ese servicio, en lo esencial, es comn a to-
dos los modelos, incluyendo a los de economa e ingeniera.
Elementos propios, a veces comparables

A nivel general, los modelos en economa comprenden elementos o con-
ceptos que son comparables a los usados en ingeniera, aunque algunos de
ellos pueden cumplir una funcin distinta o tener una importancia distinta. El
concepto de equilibrio, por ejemplo, es cardinal en los modelos econmicos,
al punto que sera imposible imaginarse (la mayora de) esos modelos sin tal
concepto. Equilibrio implica, en economa, un conjunto de magnitudes (pre-
cios, cantidades, ritmos de cambio, etc.) para los que, en un momento deter-
minado, no existen razones para que se modifiquen o, en otras palabras, donde,
de acuerdo con el modelo, no hay fuerzas que los hagan cambiar (e idealmente,
en cualquier otro momento, hay fuerzas que tienden a acercar esas magnitudes
a sus valores de equilibrio). Veamos un ejemplo. Con base en una cantidad de
supuestos, la teora econmica postula que si para un precio determinado del
producto X la cantidad demandada es mayor que la ofrecida, habrn fuerzas
que hagan subir ese precio. Un posible modelo para analizar este fenmeno se-
ra el mostrado en la figura 1 que es quizs el ms bsico y comn de los mo-
delos econmicos, donde se muestra grficamente la curva (o funcin) de la
demanda (D) y la de la oferta (S, por la sigla inglesa de Supply) para un cierto
producto, por ejemplo bicicletas.
P La funcin de demanda,
D S D, est dada por una curva (o
recta, en el dibujo) decrecien-
P0 te, indicando que la cantidad
deseada (demandada) de bi-
P1 cicletas en un perodo dado
(por ejemplo, un mes) y por
Q un pblico y en un lugar de-
0 Q1 Q0 Q2 terminados (por ejemplo, los
Figura 1. Un simple modelo de oferta y demanda. habitantes de Bogot) ser
60
menor cuanto mayor sea el precio de las bicicletas. El modelo tambin postula
(con base en un corpus importante de teora econmica) que la cantidad ofreci-
da (ofertada) por los fabricantes de bicicletas en Bogot ser mayor cuanto ms
alto sea el precio de las bicicletas. Como puede verse en el dibujo, hay un precio
P0 para el cual la cantidad ofertada es igual a la cantidad demanda. Un precio
inferior a P0 por ejemplo P1 resultar en un exceso de demanda, Q2-Q1: esa
cantidad de bicicletas no ser posible comprar o vender, en ese mes en Bogot,
dado que el precio es demasiado bajo y slo se producirn Q1 bicicletas. En con-
diciones determinadas como las de competencia perfecta (otro supuesto clsi-
co en economa), algunos de quienes se hayan quedado sin comprar buscarn
la posibilidad de conseguir una bicicleta ofreciendo pagar un precio algo mayor.
Los fabricantes, por su lado, notarn la posibilidad de vender ms bicicletas a un
precio algo mayor a P1 y las producirn. En resumen, este exceso de demanda trae
consigo fuerzas capaces de empujar el precio hacia arriba. Hasta dnde? Hasta
P0. Por qu? Porque para un precio superior a P0 se generara un exceso de oferta,
situacin similar pero opuesta a la anterior que, mediante un razonamiento an-
logo y en las mismas condiciones de competencia perfecta, empujara el precio
hacia abajo. Vemos aqu el significado del par (P0,Q0) como punto de equilibrio
(estable), donde se da la igualdad entre lo que hay y lo que se quiere que haya (y
para el que existen, idealmente, fuerzas que tienden a mantenerlo, mientras no
cambien otras cosas).
Modelos no necesariamente dinmicos

En este simple modelo hay varios puntos de inters para nuestros propsi-
tos. Primeramente, vemos que, as como est presentado, se trata de un modelo
esttico, no dinmico. Dados todos los supuestos a nivel terico (que resultan,
por ejemplo, en que una curva de demanda sea decreciente, etc.) y otros a ni-
vel ms prctico (por ejemplo, que las curvas de demanda y de oferta tengan
la forma que tienen y estn situadas donde estn), el par (P0,Q0) es el punto de
equilibrio. No se est preguntando aqu cul era el precio anterior, ni cmo lle-
g a ser P0, ni otras preguntas que haran referencia al camino que describiran
P y Q al pasar de un punto de equilibrio a otro. En economa, gran parte de
los modelos son estticos; se representan por sistemas de ecuaciones (general-
mente mucho ms complejos que el de las dos ecuaciones representadas por las
curvas de la figura anterior) que se resuelven grfica o matemticamente para
encontrar los valores de equilibrio. La introduccin de supuestos para analizar
la dinmica del sistema (por ejemplo, una o ms ecuaciones de ajuste), que re-
sultaran en una o ms ecuaciones diferenciales o de diferencias que se podran
resolver analtica o grficamente, se hace menos frecuentemente. En efecto, el
61
anlisis esttico, o tambin el de esttica comparativa cuando se comparan

dos o ms puntos de equilibrio obtenidos (para distintos puntos en el tiempo)
al cambiarse algunos de los supuestos, o luego de un shock externo, se consi-
dera en muchos casos suficientemente rico en contenido, y del cual se pueden
sacar valiosas conclusiones (vase, por ejemplo, Samuelson, 1983).
A qu se debe esta aparente concentracin en el anlisis esttico, cuando en
ingeniera, por ejemplo, se da ms importancia al anlisis dinmico? Aparte de
razones de complejidad o manejabilidad matemtica, la razn parece estar dada
por la utilidad que tal anlisis podra tener para la prctica econmica. En teora,
es interesante ver el trayecto de un punto de equilibrio a otro, y, en efecto, a nivel
terico el anlisis dinmico se hace con relativa asiduidad (vase, por ejemplo,
los dos grficos en la figura 2 [referidos, en este caso, al mercado de trabajo] que
muestran grficamente la convergencia del salario real o del ritmo de cambio del
salario nominal hacia puntos de equilibrio en distintas condiciones; vase tam-
bin Allen, 1976). Pero a nivel prctico, la utilidad se ve reducida si se considera
que, en el trnsito de un punto de equilibrio a otro, el tiempo transcurrido se-
ra ms que suficiente para que uno (o muchos) de los supuestos que se toma-
ron como fijos, varen. En otras palabras, y usando la figura 3 como base, slo en
teora se llegara de (P0,Q0) a (P1,Q1) al moverse (por ejemplo, debido a algn
cambio en los supuestos) la curva de demanda de D0 a D1, porque en el nterin
seguramente ocurrira algn otro cambio (en este caso simple, en la posicin de
las curvas D o S), dando inicio a otro trayecto y ciclo de convergencia.
Id = I5 Id = I5
0 0
cd + gd = y5 cd + gd = y5
0 0
u* u* 1 1
Figure 1.8 Figure 5.5

Convergence to the market-clearing conditions Wage inflation and unemployment with
rising inflationary expectations
Figura 2. Dos casos de representacin grfica de convergencia en modelos dinmicos

Fuente: Barro y Grossman, 1976.
62
Mientras no cambien otras cosas

Esto dijimos al final de un prra- P
fo anterior. Ciertamente, un aspecto D0 D1
importante subyacente en el anlisis P0 S
anterior es el papel jugado en los mo-
P1
delos econmicos por todos aquellos
factores que se consideran fijos en el
anlisis. Esto es lo que en economa se
0 Q
denomina el supuesto de ceteris pari- Q0 Q1
bus, que en definitiva condiciona cual-
Figura 3. Cambio en el punto de equilibrio debido a
quier resultado obtenido al resolver un cambio en (la posicin de) la curva de demanda.
un modelo. En la figura 3, por ejem-
plo, el cambio en la posicin de la curva de demanda se debi a algn cambio
en lo que hasta el momento se consideraba como fijo. As, podra ser que D0 se
haya transformado en D1 debido al surgimiento de expectativas de aumento de
precios de las bicicletas el mes prximo (por ejemplo, motivadas por rumores
sobre la subida de los precios del aluminio en los mercados mundiales). Este
factor (expectativas), o no estaba considerado en el modelo anterior (D0 y
S), o lo estaba mediante algn parmetro o valor de algunas variables conside-
radas fijas y que eventualmente cambiaron. Conviene anotar que este punto es
de significacin cuando se hace referencia a la diferencia entre la presentacin
grfica de un modelo y su presentacin algebraica. Grficamente (en dos di-
mensiones, como generalmente es el caso) representamos dos variables, mien-
tras que todas las dems (cuya presencia podra sugerir la teora) se mantienen
(o se asumen) fijas.
En la representacin algebraica, sin embargo, esto no es necesariamente as,

ya que las ecuaciones que forman parte de un modelo pueden, en principio,
relacionar una variable dependiente con ms de una variable independiente.
Cuando esas otras variables no cumplen un papel central en el anlisis (como
las expectativas en el ejemplo anterior), o se quiere destacar que no son gene-
radas por el modelo, sino determinadas por agentes externos es decir, no son
endgenas sino exgenas, suele usarse una notacin que destaca este aspec-
to, transformando, a todos los efectos prcticos, esas variables en lo que seran
parmetros. As, por ejemplo, la funcin de demanda, en la que se relaciona la
cantidad demandada (Qd) de un bien con su precio (P) y otras variables como
podran ser el ingreso (I), las expectativas (E), las modas (M), los precios de
bienes relacionados o sustitutos (R), etc. podra representarse as:
Qd = Qd (P, I, E, M, R, ...),
63
O de esta otra forma, si se considera a todas esas otras variables como fijas y que,
en particular, no se las representar grficamente en forma demasiado explcita:
Qd = Qd I,E,M,R(P).
As, cambios en I, E, M o R movern la curva de demanda (lo que los eco-
nomistas llaman un movimiento de la curva y no sobre la curva), lo cual es
cierto debido al espacio bidimensional usado en la representacin grfica (e
implcitamente asumido mentalmente). El ceteris paribus es decir, el suponer
que en el nterin todo lo dems no ha cambiado es un concepto de aplica-
cin puramente terica en economa y en otras ciencias sociales, pero puede
tener sentido prctico en ingeniera y ciencias exactas. Es posible, por ejemplo,
considerar como realmente fijos una serie de variables o parmetros en un ex-
perimento de fsica, o incluso imaginar condiciones que podran darse natu-
ralmente en ambientes reales determinados (por ejemplo, la falta de resistencia
del aire en el espacio interplanetario). En economa, sin embargo, sera muy
raro o imposible contar con la total fijeza de un conjunto significativo de varia-
bles en cualquier contexto emprico. Posible excepcin seran ciertas variables
de poltica (por ejemplo, la tasa de un impuesto o del inters que paga el banco
central sobre los depsitos de los bancos comerciales, o la cantidad nominal de
dinero en algunas situaciones, etc.), pero aun as, otras variables menos contro-
ladas (pero ajenas al modelo) podran cambiar, haciendo que el anlisis emp-
rico no respetara el ceteris paribus.
Aplicabilidad general, versatilidad

Otro aspecto derivado del simple modelo descrito que podra parecer ob-
vio, pero que es crucial tener presente en nuestro trabajo en el proyecto es que
ese mismo modelo podramos utilizarlo virtualmente para cualquier producto
comerciable, y no slo para bicicletas en la ciudad de Bogot en un mes deter-
minado. El modelo es de aplicacin general, y podramos usarlo tambin para
analizar el mercado de banano en Caracas, o el de cortes de cabello en Mon-
tevideo. Las cantidades numricas usadas, las unidades de medida, la moneda
utilizada, etc., seran diferentes, pero en todos esos casos lo ms probable ser
que las curvas de demanda sean descendentes, las de oferta ascendentes, y los
puntos de equilibrio determinados por sus cortes; es decir, el modelo ser el
mismo. Esta versatilidad es una cualidad caracterstica y muy til de los mo-
delos y, por lo menos, en parte responsable de la atraccin que ejercen los mis-
mos sobre los economistas; los modelos son vistos por los economistas como
una forma compacta de expresar un concepto y entender (y poder explicar) su
esencia. En efecto, oferta y demanda hay para todo en economa para produc-
tos, como vimos, pero tambin para horas de trabajo y descanso, para saldos de
64
dinero en el banco, para seguridad en las calles, para educacin, para aire fres-
co, etc. y el poder aproximarse a una buena comprensin de estos mercados
mediante algo tan claro y visual como un modelo, es considerado de gran va-
lor en la profesin, y seguramente no solo en ella.
Tipos de modelos
En economa, como en otros campos en los que se hace uso de modelos,
estos se pueden clasificar de acuerdo con distintos criterios. Estas clasificacio-
nes pueden tener un grado variable de importancia o sentido, dependiendo,
entre otras cosas, del objetivo del estudio que se quiera desarrollar. As, podr
haber modelos econmicos estocsticos o no-estocsticos dependiendo de si
las variables utilizadas son deterministas o aleatorias (por ejemplo, si son ge-
neradas en un ambiente experimental controlado o, por el contrario, extradas
de una muestra emprica sobre la que se tiene poco o ningn control); mode-
los empricos y tericos; o modelos clasificados de acuerdo con el foco puesto
en temas tcnicos especficos de la disciplina, como podran ser modelos mi-
cro o macroeconmicos y, dentro de estos ltimos, de economa abierta o ce-
rrada (ver introduccin de este captulo); o modelos de dos generaciones (o
de generaciones parcialmente superpuestas), donde el horizonte de existen-
cia y planificacin de los individuos o entidades se asume confinado a dos pe-
rodos (evidentemente otra gran simplificacin, pero de notoria contribucin
al entendimiento de fenmenos complejos; vase Galor, 1992, y la referencia
de Wikipedia citada al final de este articulo); o modelos de equilibrio gene-
ral, parcial o de no-equilibrio; o modelos (de expectativas) racionales o de ra-
cionalidad acotada o limitada (bounded rationality); o modelos de competencia
imperfecta; o de informacin parcial; modelos contables (que son ciertos por
convencin, ya que estn basados nicamente en identidades de contabilidad
nacional que son ciertas por definicin), etc., etc.
Antecedentes econmicos de la clasificacin adoptada

Para una ciencia construida en torno a modelos, no es de extraar que se
puedan hacer tantas clasificaciones relativamente importantes. Especficamen-
te para los propsitos de nuestro proyecto de investigacin podemos encontrar
una categorizacin ms apropiada en Evans (1997), quien propone cuatro ti-
pos de modelos econmicos fundamentales: visual, matemtico, emprico y de
simulacin. Esta clasificacin endosa en forma sustancial el enfoque de nues-
tro proyecto, que busca integrar elementos verbales, diagramticos, algebraicos
y computaciones en el modelamiento.
65
Es ms, si bien se presentan como tipos de

modelos, nada implica en la clasificacin pro-
puesta por Evans verlos como excluyentes; un
modelo no es, por ejemplo, visual o matemti-
co, etc., ya que, como veremos, un modelo vi-
sual puede tener (y generalmente tiene) una (y
(4 ) P 0 =
(C + eIE - a ) generalmente ms de una) formulacin mate-
(b + d ) mtica, y viceversa. El tipo emprico, sin em-
bargo, trae elementos nuevos, que no refieren
directamente a los atributos verbal, diagram-
Figura 4. Sistema de ecuaciones 1, corres-
pondiente a la figura 3.
tico, algebraico o computacional; como vere-
mos ms adelante, es posible que esto sea una
manifestacin adicional de las diferencias entre economa e ingeniera en el con-
texto que nos ocupa.
Los modelos visuales corresponden a los que hemos visto, por ejemplo, en
las figuras presentadas ms arriba. El modelo queda decentemente explicado
mediante dibujos o grficos, sin demasiada exactitud, requiriendo por lo ge-
neral de la explicacin verbal o escrita para ms detalles (que pueden ser im-
portantes). En los trminos de nuestro proyecto, lo diagramtico y lo verbal se
complementan. Los modelos visuales son muy usados en economa, muchas
veces de manera informal para reforzar presentaciones y explicaciones.
Los modelos matemticos son aquellos expresados como sistemas de ecuacio-
nes, con o sin componentes dinmicos. Son mucho ms precisos y formales que
los visuales, aunque no por ello se los usa en forma exclusiva, debido a la conve-
niencia de agregar elementos visuales a cualquier explicacin. En la figura 4 (Sis-
tema de ecuaciones 1, tomado de Evans [1997]), las ecuaciones (1) a (3) pueden
verse como un modelo matemtico que bsicamente corresponde al modelo visual
presentado en la figura 3 (siendo las igualdades (4) y (5) la solucin del modelo).
Los modelos empricos son esencialmente matemticos, pero con valores
asignados a los parmetros del caso, generalmente mediante un proceso de es-
timacin economtrico (como lo hemos explicado). Evidentemente, hay lugar a
modelos empricos cuando, para su estimacin, se dispone de datos para todas las
variables del modelo. Una vez estimados, los modelos empricos se podrn usar
para responder cuantitativamente a preguntas que el modelo matemtico (o el
visual) slo podan responder cualitativamente o en forma condicional (si el pa-
rmetro m es mayor que n, entonces el precio bajar...). Como expusimos, y a di-
ferencia de los modelos visuales o matemticos, los modelos empricos, tpicos de
la economa (aunque no tengan su representante inmediato en el cuarteto de lo
verbal, diagramtico, matemtico y computacional), no son muy comunes en in-
geniera, pero en principio no deben descartarse para determinadas aplicaciones.
66
Los modelos de simulacin, que forman una gran gama, son generalmente de
naturaleza matemtica y en ellos se utilizan computadores para generar escena-
rios de diversa ndole en ambientes controlados. Modelos de simulacin pueden
ser usados tambin cuando no se conozcan los parmetros verdaderos, o cuan-
do se quieran probar diferentes escenarios estocsticos cuya manejabilidad anal-
tica pueda estar fuera de las posibilidades del investigador. Estos modelos hacen
pleno uso de la base computacional de la modelacin y llevan implcito un gran
potencial de creatividad, no slo en cuanto a qu modelar sino cmo hacerlo.
Modelos como fuente y resultado de inspiracin

Otros autores proponen formas adicionales de clasificar modelos, inclu-
yendo tipos que no se adaptan fcilmente a ninguna de las categoras mencio-
nadas. Por ejemplo Kaewsuwan (2002) refiere a los diagramas de flujo (flow
chart) como una forma legtima de (representar) modelos. Si bien esta repre-
sentacin es grfica en esencia, puede incluir elementos que no son comunes
en esta, como puede verse en el siguiente ejemplo (figura 5) de diagrama de
flujo circular como modelo visual de una economa.
Revenue Markets for goods Spending

and services
Firms sell
Households buy
Goods and services Goold and services
sold bought
Firms Households
Produce and sell goood Buy and consume
and services goods and service
Hire and use factors of Own and sell factorsof
production production
Inputs for Labor, land and

production capital
Markets for factors
of production
Housebolds sell
Wages rent and profit Firms buy Income
Flow of goods and services

Flow of dollars
Figura 5. Diagrama de flujo circular.

Fuente: Kaewsuwan (2002)
El ingenio humano no se detuvo ah, produciendo otros tipos de modelo

que distan an ms de las cuatro representaciones formales que nos ocupan en
el proyecto. Hay modelos grficos que se basan en una analoga de la economa
con la fsica en particular la hidrulica con tubos de distinto calibre donde
fluyen bienes, servicios, dinero; grifos que se pueden abrir y cerrar a volun-
67
tad (poltica econmica), tanques de almacenado (ahorro), cisternas auto-

mticas de control de niveles de lquido, vlvulas de escape. En la figura 6,
se muestra un paso intermedio en este camino de modelos grficos creativos.
Government Sector Consumption Baking Sector

Sector Monetary Desired
Policy Plug LP Level
Circ Time Peg int
Income Inc after tax Saving Rate
Int rate on
Surpius consumption
Govt Inc on taxes Propensity balances
Consume to consume
Perceved
Consumption Liquidity
Nacional Preference
income Govt lending
Taxation Cons
Perception
Lag time
Cosumption
Inc on
Govt Exp Sutro
Constant
Govt Exp
Domestic
Int rate on
Expend
Investing investing
FB on imports
DE on Porc DE Perc
Income on Demand Shift
DE less imports imports DE Lag Time
investing
Foreign
Balances Recent
DE Ni Weight Income
Exports Ajust Time
Sutro Const
FB on
Experts
Peg Foreign Exchange Rate Income
Adjusts
to Recent
DE on Foreign Accounts
Experts Desired FE FE Policy
Rate Plug Sector
Figura 6. La mquina de Phillips como stocks y flujos.

Fuente: Ryder, 2009
Uso, valor y limitaciones de los modelos

Dado que lo que antecede aclara tambin aspectos relativos a esta seccin,
haremos el anlisis de manera sucinta, a modo de listado. Los puntos men-
cionados surgen de la experiencia de modelamiento en economa, teniendo
muchos de ellos aplicacin tanto macroeconmica (a nivel global, de pas o re-
gin) como microeconmica (a nivel de industrias o empresas determinadas,
hogares y consumidores particulares).
En lo que respecta a los propsitos del proyecto, algunos de los aspectos
que siguen tienen implicaciones directas en cuanto al valor del uso de modelos
68
para el aprendizaje de las matemticas, especialmente dentro del campo de la

ingeniera. En este sentido, la construccin (y luego, el uso) de modelos puede
verse como una instancia muy favorable para la comprensin y el aprendiza-
je: el modelo permite ver los conceptos involucrados en accin, jugar con ellos
(por ejemplo, cambiar valores de parmetros o variables y hacerse una idea del
efecto ocasionado) y entender sus interrelaciones, clarificando muchas veces lo
que conceptos ms tradicionalmente ligados a las matemticas campos nu-
mricos, ecuaciones, funciones, algoritmos, etc. encierran en forma ms abs-
tracta y no inmediatamente comprensible. Del mismo modo, la solucin de
un problema matemtico enfocada en un principio desde la perspectiva de la
construccin de un modelo suele mostrar, en el proceso, facetas que no siem-
pre quedan en evidencia en procesos de solucin ms directos, y menos an
en forma consciente por parte de los estudiantes. En efecto, preceder o acom-
paar la solucin tradicional de un problema con un tanteo de soluciones o
estrategias (por ejemplo, mediante una representacin grfica de todo o parte
del problema, o con un simple algoritmo o programa de simulacin que mues-
tren soluciones numricas aproximadas) puede iluminar el camino a la solu-
cin buscada, dando pautas que generan inspiracin.
Uso y valor de los modelos

En sntesis, en economa los modelos tienen valor reconocido para:
Entender mejor un problema, identificando sus elementos componen-
tes y adoptando una posicin en cuanto a la importancia relativa de los
factores actuantes.
Predecir, hacer proyecciones, analizar escenarios alternativos.
Interpretar fenmenos.
Explicar (a uno mismo y a otros) el resultado de alguna accin, pasada o
futura; argumentar; justificar.
Servir como herramienta auxiliar para la toma de decisiones y la propo-
sicin de medidas o polticas econmicas.
Analizar la sensibilidad de resultados a cambios en variables, en par-
metros o en la estructura del modelo, enfocando tanto cambios de nivel
como de ritmo de cambio (derivadas, elasticidades, etc.).
Planear y distribuir recursos (tambin en economas centralizadas).
Predecir o analizar el desempeo de una empresa: prediccin y segui-
miento de precios de valores en mercados, etc.
Manejar riesgos.
69
Limitaciones o riesgos en el uso de modelos

De acuerdo con lo expuesto sobre los modelos en economa, las limitacio-
nes y riesgos quedan bastante en evidencia. Una exposicin clara y resumida de
estos aspectos tomados de la ciencia econmica pero de aplicacin inmediata
a otras disciplinas se puede ver en la cita, muy pertinente, que traducimos de
Kenneth Boulding (1966):
[] Los modelos econmicos, especialmente cuando se busca la

interpretacin de un fenmeno tan complejo como la fluctuacin di-
nmica o el crecimiento de la economa en su conjunto, son ayudas
al pensamiento y no sus sustitutos. Debemos cuidarnos de apoyarnos
demasiado en un modelo demasiado simple, ya que los supuestos asu-
midos en esos modelos suelen no cumplirse en la realidad. De cual-
quier forma, sin la ayuda de esos modelos, la complejidad del caso nos
llevara a una total confusin o a retroceder, confinndonos al empiri-
cismo ciego y al registro de datos cuyo sentido siempre se nos escapa.
En resumen, pese a sus limitaciones, los modelos son imprescindibles.
Conclusiones, nfasis y prioridades

De manera esquemtica, se proponen las siguientes conclusiones, nfasis o
prioridades:
Por lo general, los comentarios que siguen hallarn su forma ideal de
manifestacin cuando el trabajo se realice en equipo (pequeos grupos),
como fue el escenario habitual en este proyecto.
Es importante tener claridad sobre preguntas tales como qu se quiere
modelar, por qu es necesario (o conveniente usar) un modelo en un
caso determinado o por qu esto que se propone es un modelo..
Los problemas se plantearn procurando fomentar la creatividad en el
modelamiento, un esfuerzo que muy probablemente ser acompaado
por un intento de comprender mejor el problema y los conceptos ma-
temticos que lo forman. Dejar abierta parte de la pregunta o no pro-
porcionar de antemano todos los datos del problema suele motivar la
creacin de un modelo como actividad natural, no forzada, dando cierta
libertad (con lmites) para el diseo del modelo. La solucin, en estos ca-
sos, tendr a menudo una forma que evidencia un grado de profundiza-
cin en el problema que no es caracterstico cuando se prescinde de los
modelos. Por ejemplo, el estudiante (o grupo de estudiantes) que cre el
modelo y erigi con base en l la solucin podr decir: hemos notado
70
que si no definimos una condicin inicial (a la cual el enunciado del pro-

blema no se refiere), la solucin podr ser convergente o divergente. Des-
cubrimos esto en un tanteo inicial de parmetros que mostr que para
valores del parmetro p mayores que 2 queda asegurada la convergencia.
El posterior estudio analtico dej en claro que, ms precisamente, el um-
bral para convergencia es 2,08. Es bueno tambin ver el modelo como
una solucin no-nica a ciertos problemas; tratndose de una simplifica-
cin de la realidad, necesariamente un modelo no podr pretender dar la
nica solucin a una pregunta relacionada con la realidad.
Representaciones verbal, diagramtica, matemtica y computacional, al-
ternativas o complementos?, uso serial o paralelo? El proyecto pone espe-
cial atencin en atender en forma relativamente independiente el manejo
de las cuatro vas por parte de los estudiantes. Para que la separacin no
resulte artificial o forzosa, hay que planear con cuidado la actividad, dan-
do lugar tanto a lo que hay que hacer y saber (p. ej., el conocimiento y
uso de los diagramas de flujo por parte de todo estudiante de ingeniera)
como algo espontneo y creativo. Este es un corolario importante de la
experiencia en economa.
El modelo como instrumento de comunicacin y explicacin en el grupo
y hacia afuera. La tarea de la construccin conjunta de un modelo es rica
en oportunidades de aprendizaje, sobre todo cuando, como en nuestro
proyecto, viene con soporte permanente por el lado de la discusin y la
argumentacin. La necesidad de explicar a otros suele ser no menos im-
portante, tambin por el hecho de ser posterior (generalmente) a la ex-
plicacin a uno mismo; es decir, al propio entendimiento del problema.
Conciencia de las limitaciones del modelo elegido, que tiene que quedar
de manifiesto en la forma en que se lo usa. Usar el modelo adecuada-
mente y entender sus limitaciones es a la vez una seal de entendi-
miento del problema de base (aquello que se quiso modelar), de que
probablemente se sabr resolver, y de que los estudiantes son conscien-
tes de las diferencias, a veces sutiles, entre el modelo, la realidad a la que
apunta y la solucin propiamente dicha del problema.
Referencias
Allen, R. G. D. (1976). Mathematical Economics (especially Ch.1 [The Cobweb
and Other Simple Dynamic Models]). 2da ed. London: The MacMillan
Press Ltda.
Barro, R. J. (1976). Rational Expectations and the Role of Monetary Policy.

Journal of Monetary Economics, 2.
71
Barro, R. y Grossman, H. (1976). Money, Employment and Inflation (especia-

lly Ch. 1 [The basic model] and Ch. 5 [Inflation and unemployment]).
Cambridge: Cambridge University Press.
Begg, D., Fischer, S. y Dornbusch, R. (2000). Economics, 6ta ed. McGraw-Hill.
Boulding, K. E. (1966). Economic Analysis. 4ta ed. Vol. 2: Macroeconomics (Ch.

3 [Macroeconomic Models Models of Production and Consumption],
Ch. 4 [Macroeconomic Models: Models of Monetary Circulation and
Exchange], Ch. 8 [Dynamic Models] and Ch. 11 [Positive and Nor-
mative Economics]). New York: Harper and Row. Tokyo: Evanston &
London, and John Weatherhill, Inc.
Dornbusch, R. (1976). Expectations and Exchange Rate Dynamics. Journal of

Political Economy, 84.
Dornbusch, R. (1980). Open Economy Macro-Economics. USA: Basic Books,

Inc.
Evans, G. R. (1997) Economic Models. Disponible en http://www2.hmc.

edu/~evans/chap1.pdf ).
Galor, O. (1992). A Two-Sector Overlapping-Generations Model: A Global

Characterization of the Dynamical System. Econometrica, 60(6): 1351-
1386. DOI:10.2307/2951525.
Holcombe, R. (1989). Economic Models and Methodology. New York: Greenwood

Press, ISBN 0-313-26679-4 .
Kaewsuwan, S. (2002). Importance of Models in Economics. Disponible en

http://www.gaoshan.de/university/tp/Importance_of_Models_in_Eco-
nomics.pdf
Lucas, R. E. (1972, abril). Expectations and the Neutrality of Money. Journal

of Economic Theory, 4.
Lucas, R. E. (1973). Some International Evidence on Output-Inflation Tra-

deoffs, American Economic Review, 63: 326-334.
Lucas, R. E. (1976). Econometric Policy Evaluation: A Ccritique; in The Phi-

llips Curve and Labor Markets, Brunner, K. y Meltzer, A. (eds.). Carne-
gie-Rochester Conference Series on Public Policy, 1: 19-46.
72
Mishkin, F. S. (1995). The Rational Expectations Revolution: A review Article

En Preston J. Miller (ed.) The Rational Expectations Revolution, Rea-
dings from the Front Line. Working Paper No. 5043, febrero, NBER,
Cambridge, MA.
Mussa, M. (1975, octubre). Adaptive and Regressive Expectations in a Ratio-

nal Model of the Inflationary Process. Journal of Monetary Economics.
Muth, J. F. (1960, junio). Optimal Properties of Exponentially Weighted

Forecasts. Journal of the American Statistical Association, 55(290): 299-
306.
Muth, J. F. (1961, julio). Rational Expectations and the Theory of Price Mo-
vements. Econometrica, 29: pp. 315-335.
Ryder, W. H. (2009?) A System Dynamics View of the Phillips Machine.

Disponible en http://systemdynamics.org/conferences/2009/proceed/
papers/P1038.pdf
Samuelson, P. A. (1983). Foundations of Economic Analysis (edicin amplia-

da). Cambridge: Harvard University Press,
Samuelson, P. A. y Nordhaus, W. D. (1998). Economics. 16ta ed. Irwin/Mc-

Graw-Hill.
Sargent, T. J. (1973). Rational Expectations, the Real Rate of Interest and the
Natural Rate of Unemployment. Brookings Papers on Economic Activi-
ty, 2.
Sargent, T. J. y Wallace, N. (1973, junio). Rational Expectations and the Dy-

namics of Hyperinflation. International Economic Review.
Sargent, T. J. y Wallace, N. (1976, abril), Rational expectations and the Theory

of Economic Policy. Journal of Monetary Economics, 2.
Walsh, V. (1987). Models and theory, the New Palgrave: A Dictionary of

Economics, 3: 482-483. New York: Stockton Press.
Walters, A. A. (1971, junio). Consistent Expectations, Distributed Lags and the

Quantity Theory. The Economic Journal, 81(322): 273-281.
73
Internet:
Two-generation models / overlapping generations models Referencias en
Wikipedia (http://en.wikipedia.org/wiki/Overlapping_generations_mo-
del). Usos tpicos: modelos de ahorro y consumo, de deuda nacional y fi-
nanzas pblicas, de seguridad social, de inversin y crecimiento, etc.
http://en.wikipedia.org/wiki/Economic_model [varias secciones son intere-

santes para nuestros propsitos].
74
Captulo 4
La espiral en la formacin
de la competencia de modelado
Luis Facundo Maldonado Granados*

Albert Montenegro Vargas**
Introduccin
S i nos atenemos a las expresiones de las polticas educativas contempor-

neas, la formacin de competencias es uno de los temas ms frecuentemen-
te referidos y en el cual convergen muchas de las propuestas de investigacin
e innovacin educativa. Curiosamente an no abundan los estudios que expli-
quen la naturaleza de las competencias, su formacin y evolucin.
Nuestro trabajo tiene un inters por el aprendizaje de las competencias desde
la perspectiva de la representacin de conocimiento y de la dinmica de las redes
sociales. La estructura del ser vivo, que le permite adaptarse de manera dinmica
a los cambios del entorno (sin lo cual no sobrevivira), incorpora como compo-
nente esencial los mecanismos de percepcin. Desde la neurociencia, esto se in-
terpreta como una estructura dinmica del sistema de neuronas que es resultado
de la entrada de informacin del entorno a travs de los mecanismos aferentes
y que permite funcionalmente reconocer entidades y procesos; acta estructu-
ralmente con base en patrones de reconocimiento y dinmicamente como dis-
positivo que permite identificar el cambio, prever lo que va a suceder y activar
el sistema eferente para actuar anticipadamente (Llinas, 2002; OReilly y Ma-
nakata, 2000; Nelson, Haan y Thomas, 2006; Patten, y Campbell, 2011).
* Ph. D. y docente investigador del Departamento de Matemticas de la Universidad Central.

Grupo de investigacin Tecnice. Correo electrnico: lmaldonadog1@ucentral.edu.co
** Ph. D. y docente investigador del Departamento de Matemticas de la Universidad Central.
Grupo de investigacin Tecnice. Correo electrnico: lmaldonadog1@ucentral.edu.co
75
La espiral en la formacin de la competencia de modelado
Entidad en Desde esta perspectiva, la

el entorno formacin de cualquier com-
petencia cognitiva est rela-
cionada con la formacin de
Accin sobre Informacin patrones de reconocimiento
la entidad entrante
de las entidades situadas en
el entorno del ser humano, y
el aprendizaje est en funcin
de las experiencias, entendidas
estas como relaciones dinmi-
cas de entradas de informa-
Extraccin
Reconocimiento cin-reconocimiento-accin
de caractersticas
y procesamiento de informa-
Figura 1. Dinmica de la percepcin. La entidad en el entorno cin de retorno (Maldonado,
genera informacin que estimula el sistema aferente del cognos- 2012). En la percepcin y en
cente, la cual desencadena la transmisin de energa electroqu-
mica en la red de neuronas y activa un patrn de reconocimiento. la experiencia que la genera se
encuentra la base del conoci-
miento y de la accin adaptativa del ser vivo. Podemos pensar en la experiencia
como una sucesin dinmica de eventos que tienen suficiente parecido como
para poder generar el patrn de reconocimiento, pero tambin con particula-
ridades, pues suceden en tiempos diferentes y transmiten variaciones del siste-
ma que origina la informacin (figura 1). La naturaleza, entonces, ha creado un
mecanismo natural para generar clases en forma de patrones de reconocimien-
to. La inteligencia artificial, desde sus inicios, se ha interesado en este tema;
un ejemplo de ello son los desarrollos sobre patrones de reconocimiento, redes
neuronales y sistemas ontolgicos (OReilly y Manakata, 2000; Sowa, 2000).
Hay pruebas suficientes de que los animales domsticos desarrollan patro-
nes de reconocimiento que les permiten una comunicacin especfica con sus
amos. El hecho de que distingan a su amo y respondan a un nombre es una
prueba. En este proceso podemos ubicar el origen del uso de palabras y el de-
sarrollo del lenguaje.
En algn momento de la evolucin se desarroll una habilidad muy especial:
producir configuraciones de sonidos en correspondencia con los patrones for-
mados. Entre el reconocimiento de patrones y la accin se introdujo la genera-
cin de un patrn de sonidos: la palabra.
Esta habilidad del ser humano es el soporte de su estilo especfico de co-
municacin: el lenguaje. La palabra pronunciada es estmulo que afecta a otros
seres humanos, los cuales reconocen la palabra y el patrn de reconocimiento
al cual corresponde. Es el origen de la comunicacin basada en lenguaje, pero
tambin es el origen del pensamiento basado en palabras (figura 2). El reco-
76
Luis F. Maldonado G., Albert Montenegro Vargas
nocimiento deja huellas en la Entidad en

memoria: puede ser recorda- el entorno
do. En el caso del ser humano,
recordamos el reconocimiento
Accin sobre Informacin
hecho en el pasado y la pala-
la entidad entrante
bra vinculada al acto del co-
nocimiento y podemos contar
a otro este evento psicolgico Extraccin
generando las mismas pala- Palabra de caractersticas
bras. Ms an, podemos rela-
tarnos a nosotros mismos lo
Reconocimiento
sucedido en el pasado, es de-
cir, que la palabra expresada es Figura 2. La generacin de palabras y luego sistemas de pala-
estmulo que activa de nuevo bras asociadas al reconocimiento de patrones es el origen gen-
el mismo patrn de reconoci- tico de modelos conceptuales, que juegan un papel trascendental
en la evolucin humana.
miento. Si la palabra se graba
como palabra escrita o en un mecanismo reproductor de sonido, se convierte en
fuente de experiencia nueva para la misma persona y tambin para otras. Enton-
ces, el modelo conceptual es fuente de experiencias tanto para el sujeto que lo
genera como para otros.
Cuando usamos una palabra para denotar algo en el entorno, asociamos

nuestros patrones de reconocimiento con configuraciones de sonidos o de sm-
bolos grficos. En la generacin del lenguaje, los estmulos visuales y auditivos
son la fuente principal en la generacin de palabras. La lgica de la naturale-
za humana se manifiesta con una tendencia a identificar lo que se parece en
patrones que son generadores de palabras como sistemas de smbolos (Quine,
1960). En la interpretacin vigotskiana, esa generacin de palabras es activada
en la solucin de problemas. Los seres humanos no solo resolvemos problemas,
sino que podemos expresar la solucin del problema en palabras: el modelo
mental encubierto por su naturaleza genera un modelo conceptual estimulante
para otros y para s mismo. El lenguaje permite pensar sobre lo que hacemos
y lo que hicimos, y genera una ventaja frente a otras especies (Vigotsky, 1978).
Las palabras son la base del lenguaje y este de la comunicacin entre miembros
de la misma especie pares en la actividad cognitiva, y cumple las funciones
de construir registros de memorias de experiencias y de mecanismos de gene-
racin de experiencias similares en quienes entran en comunicacin. El proce-
so es tan dinmico que el mismo pensamiento se ve afectado y el ser humano
desarrolla la capacidad de pensar con palabras en una forma tal que pensar el
mundo es un proceso de asignarle palabras y construir relaciones entre pala-
bras. Cuando Sowa (1986, p. 2000) presenta las estructuras de grafos concep-
77
tuales, hace un anlisis de esa dinmica. Desde la base no verbal, los patrones
de reconocimiento en el cerebro son puntos de referencia para comparar los
arreglos o estructuras de estmulos que se forman como resultado de la estimu-
lacin de nuestro sistema aferente. Entonces, lo que percibimos son estructuras
que se ajustan o no a los patrones de reconocimiento (Grdenfors, 2000). Esto
significa que cada nuevo elemento que se identifica en el entorno se percibe
como elemento de una clase. Vistas las cosas as, la base sensorial es determi-
nante de nuestra construccin cognitiva. Los estudios ya antiguos de estimu-
lacin temprana muestran que hay una influencia positiva entre la variedad de
estimulacin inicial en la poca de la infancia y el desarrollo del cerebro, tanto
en otras especies como en el mismo ser humano.
Se presenta entonces un juego de relaciones entre las entidades o sistemas
perceptibles con base sensorial en el entorno, los patrones de reconocimien-
to y las palabras.
El tringulo de la significacin (Odgen y Ri-
chards, 1923) es un desarrollo que ilustra esta
dinmica de una manera un tanto externa: una
Entidad en el
entidad es referente de una idea modelo men-
entorno referente
tal, la cual se relaciona con un significante siste-
ma de smbolos o modelo conceptual (figura 3).
La palabra tiene propiedades estimulantes
Patrn de
del sistema sensorial, de manera similar al re-
reconocimiento ferente. Esto hace que la palabra en s sea es-
tmulo que puede ser percibido y reconocido
por otro agente perceptor (figura 4). En con-
secuencia, la comunicacin humana basada en
palabras sistemas de smbolos se da cuan-
Palabra do una palabra emitida por un cognoscente es
significante percibida y reconocida por otro mediante sus
patrones de reconocimiento como palabra que
corresponde a uno de sus patrones. Si eso su-
cede, la palabra emitida tiene significado para
Figura 3. El tringulo de la significa- los dos actores de conocimiento en accin. Y
cin. Las entidades en el entorno pueden
tanto los patrones como las palabras actan
estimular la generacin de una imagen
mental en el cerebro de la cual se de- como clases que tienen casos: las entidades en
riva una estructura en forma de palabra el entorno son reconocidas como casos de esas
u otro significante equivalente (Odgen y clases. Esto tiene una consecuencia funda-
Richards, 1923).
mental: reconocemos entidades en la medida
en que tenemos patrones de reconocimiento
y palabras. Cuando nos encontramos con una
78
entidad tendemos a pensar esta es una <palabra>. El estudio de la represen-

tacin del mundo con categoras es del inters de la filosofa moderna y tam-
bin de la inteligencia artificial y ha tomado el nombre de ontologa (Sowa,
2000; Quine, 1960).
Algo bien interesante en los procesos Recono-
perceptivos es que el mismo proceso de cimiento de la
percibir, de conocer y de actuar genera entidad Palabra
emitida
informacin que estimula los procesos
de percepcin y se forman patrones de
reconocimiento de nuestra propia acti-
vidad. Este es el substrato de la concien-
cia del actuar. La ciencia cognitiva lo
identifica como metacognicin o cono-
cimiento de los procesos de conocimien- Entidad
to. Podemos reconocer lo que hacemos, en el entorno
Recono-
cundo lo hacemos, cmo lo hacemos, cimiento
y tambin el lugar de nuestras acciones. de la palabra como
Los estmulos que generan dolor, placer, correspondiente
etc., son tambin generadores de patro- a un patrn
nes de reconocimiento y de palabras. que refiere
una entidad
Est fuera de los lmites de este do-
cumento el desarrollo ms profundo de Figura 4. Representacin del proceso de comunica-
este tema. Nuestro inters, en este caso, cin desde la perspectiva de los patrones de recono-
es analizar una experiencia de forma- cimiento. Una entidad genera estmulos para el primer
cognoscente; este reconoce la entidad mediante un
cin de competencias de modelamien- patrn de reconocimiento y genera una palabra.
to desde la perspectiva cognitiva. La
formacin de esta competencia, en el contexto que hemos planteado, se entien-
de como la capacidad de generar modelos conceptuales capaces de habilitar la
comunicacin con otros y de nuevas experiencias para el mismo sujeto que las
origina. Estos modelos conceptuales en este documento toman la forma de re-
presentaciones verbales, algebraicas y computacionales, las cuales considera-
mos como resultado de la evolucin de la comunidad humana y, en particular,
de la comunidad cientfica.
La competencia de modelamiento
La competencia de modelamiento, en principio, se puede definir como la
habilidad para desarrollar esta especie de juego. Esto implica un conjunto de
habilidades especficas. La primera de ellas es seleccionar referentes y perspec-
tivas de observacin. Una perspectiva se entiende como la seleccin de un con-
79
Recursos junto de caractersticas o variables y de

alimenticios un conjunto de relaciones entre ellas. Son
ejemplos: un sistema de transporte como
Tasa de Espacio referente, las clases de vehculos, la velo-
nacimientos
cidad promedio, el consumo de energa,
la contaminacin y sus relaciones entre
Poblacin estas variables; el crecimiento de una po-
blacin se puede ver desde la perspectiva
Figura 5. Un ejemplo de perspectiva. La pobla- de la tasa de crecimiento relacionada con
cin en funcin de la tasa de nacimientos, la can-
tidad de recursos alimenticios y el espacio para la disposicin de nutrientes y de espacio
el hbitat. fsico disponible (figura 5).
La accin de representar el modelo mental en un modelo conceptual como
expresin fsica de aquel, observable por otros, es un proceso que conduce a
convertir lo subjetivo en objeto observable y manipulable tanto por su autor
como por otras personas. Esto significa que el modelo conceptual en s puede
activar nuevos procesos cognitivos, y su relacin con el referente puede ser una
perspectiva de observacin, generadora de procesos cognoscitivos en la espiral
del juego de modelamiento. Adems, el modelo conceptual puede modificarse
como resultado de este juego. En el escenario de la historia, las modificaciones
sucesivas de los modelos conceptuales son el sustrato de la evolucin del co-
nocimiento, particularmente del conocimiento cientfico interesado de manera
consistente en el desarrollo del juego de modelamiento.
En este contexto, tienen sentido las expresiones de que el modelo conceptual es
un medio para comprender y tambin un medio para comunicar, y que es una cons-
truccin social y que evoluciona en la medida en que es usado en la comunicacin.
En la historia de la humanidad, el hombre ha desarrollado una capacidad
mayor para representar y controlar sistemas complejos. En particular, las dife-
rentes formas de ingeniera, entendida esta como ciencia de sntesis, orientada
a generar soluciones a problemas de la sociedad, por integracin de conoci-
mientos de diferente origen y a probar estas soluciones, toman los modelos
conceptuales como dispositivos para lidiar la complejidad de los sistemas como
referentes de conocimiento. La complejidad est relacionada con la cantidad
de informacin necesaria para describir un sistema (Turchin, 1977). La tesis
que nos orienta sostiene que el modelamiento integra sistemas formales que
pueden ser verbales, diagramticos, algebraicos o computacionales.
El objetivo de este trabajo es profundizar en el sentido de la competencia
de modelamiento y en la comprensin de sus componentes esenciales de la for-
macin: razonamiento y representacin verbal estructurada, razonamiento y
representacin diagramtica, razonamiento y representacin algebraicas y razo-
namiento y representacin computacionales.
80
Visin cognitiva del modelamiento

Desde la perspectiva cognitiva, el modelamiento es un juego dinmico
que involucra bsicamente tres elementos: un referente, un modelo mental y
un modelo conceptual ( Jonassen, 2006). El modelo mental se relaciona con
la percepcin o representacin surgida en la mente del perceptor. El mode-
lo conceptual corresponde con la generacin de sistemas de smbolos como
expresiones verbales, representaciones matemticas, grficas o programas de
computador, etc. El modelo conceptual expresa el modelo mental.
La competencia de modelado como dimensin cognitiva se traduce en la
habilidad para desarrollar este juego que grosso modo involucra las siguientes
acciones:
Seleccionar un referente.
Tener algn tipo de experiencia con el referente.
Formar una imagen o modelo mental del referente.
Generar una representacin externa modelo conceptual del modelo
mental.
Usar el modelo mental para hacer predicciones.
Probar a otros que el modelo conceptual corresponde con el referente
con base en las predicciones.
Generar nuevas experiencias con el referente que pueden hacer evolu-
cionar el modelo mental.
As, el proceso contina en espiral sin un estado final definido. Este hecho con-
cuerda con la constatacin, desde la perspectiva de la investigacin cientfica, de
que cada respuesta que se da a un problema genera nuevas preguntas con la con-
secuencia de que el conocimiento no tiene fin definido.
Formas de representacin y desarrollo

de la competencia de modelamiento
Dado que lenguaje y pensamiento, como lo expresamos previamente, estn
estructuralmente ligados en la actividad cognitiva y comunicacional, podemos
hipotetizar que hay un estilo de razonamiento relacionado con cada forma de
representacin y que, en consecuencia, hay diferencias en la experiencia cogni-
tiva. Un mismo referente, visto desde una misma perspectiva, a travs de cuatro
formas de razonamiento, muy probablemente haga posible una construccin
de memoria con mayor riqueza de relaciones y de significados, y tambin con
mayor duracin. Posiblemente, los niveles de abstraccin asociados a los for-
81
matos tengan ventajas frente a las variables del contexto, el nivel de abstraccin
y la transferencia de la competencia a problemas similares y diferentes.
Para ilustrar esto, recurriremos a un ejemplo, pero antes conviene precisar
que entendemos por caso la presentacin de un referente en un contexto y la
formulacin de una pregunta asociada con una perspectiva o mirada a relacio-
nes en ese contexto. Responder a la pregunta obliga a construir una represen-
tacin, y la capacidad de seleccionar variables, construir perspectivas y formular
preguntas son componentes de la habilidad de modelamiento matemtico. El
siguiente es un ejemplo relativamente sencillo y que se puede presentar bre-
vemente.
Primer ejemplo: el juego de dados
Jugar con un par de dados es una actividad

bastante conocida. Se rene un grupo de ami-
gos y, en algn momento, deciden probar suer-
te tirando un par de dados. Todos estn seguros
de que son dados bien equilibrados, de tal ma-
nera que las apuestas pueden ser idealmente
justas. La pregunta es qu es mejor, apostar
Figura 6. Referente para un caso o por el 11 o por el 4 cuando se lanzan los dos
problema en contexto dados en la misma jugada?
El proceso argumentativo basado en ontologas y en la representacin verbal
El flujo de la expresin verbal en un proceso argumentativo espontneo es

la sucesin de participaciones que convergen en la bsqueda de una respuesta
aceptada por los participantes, sin que esto signifique que el consenso se d todas
las veces. Los estudiosos de la argumentacin han podido demostrar que existe
una diferenciacin funcional de las participaciones: la pregunta, la explicacin,
el dato, la hiptesis, etc., tienen su propio papel en la bsqueda de la respuesta.
En la actividad pedaggica, la conciencia de la funcin de las participaciones o
contribuciones argumentativas activa la conciencia sobre el proceso metacogni-
cin, mejora las posibilidades de regulacin y potencia el aprendizaje. Esto tiene
un doble efecto: mejora la calidad de las contribuciones y mejora el aprendiza-
je (Maldonado, De Groot y Drachman, 2012). Las categoras argumentativas
constituyen su ontologa. En la prctica pedaggica, y en las disciplinas especfi-
cas, estas categoras varan de acuerdo con la importancia y funcionalidad.
En el caso de los dos dados, el profesor decidi usar slo cuatro categoras:
pregunta, hiptesis, datos y comentarios.
82
Tambin existe otra ontologa involu-

crada con la solucin del problema: la que Prueba
del modelo
corresponde a la representacin del refe- conceptual
rente. Las siguientes son las categoras que
usaran posiblemente los actores en el caso:
dado, cara del dado, lanzamiento, espacio Predicciones
muestral, probabilidad, probabilidad sim-

ple, probabilidad condicional. El uso de es-
tas categoras depende de la experiencia y Modelo Modelo
conocimiento de los actores. conceptual mental
Si bien las categoras pueden seleccio
narse o identificarse fcilmente, uno de los
Referente
aspectos ms problemticos es hacer segui-
miento de manera eficiente a la discusin
grupal. Afortunadamente los expertos han
Figura 7. El juego de modelado: seleccionar
desarrollado dispositivos en lnea para ha- un referente, tener algn tipo de experiencia con
cerlo; entre ellos Argunaut1 (que se ha usa- el referente, formar una imagen o modelo mental
do en esta investigacin) que usa cajas de del referente y generar una representacin ex-
terna modelo conceptual, hacer predicciones,
diferente forma geomtrica en las que se probar que el modelo conceptual corresponde
introduce textos; cada caja identifica una con el referente, generar nuevas experiencias
categora argumentativa, y se dispone de con el referente para hacer evolucionar los mo-
delos mental y conceptual.
tres clases de arcos para relacionarlas. Los
participantes introducen los mensajes y los relacionan con las contribuciones de
los otros participantes como apoyo, oposicin o simple relacin. El software
registra la secuencia, la fecha, la duracin, etc., y permite hacer automticamen-
te varios anlisis. En esta aproximacin, el contenido de las cajas usa la ontologa
que representa el referente dominio de conocimiento, y la forma y las relacio-
nes entre las cajas expresa la ontologa argumentativa.
La figura 8 ejemplifica de manera muy simplificada el mapa argumentativo
resultante de la participacin de varios actores en la solucin del caso de los da-
dos. El ejercicio de representar verbalmente y de convencer a otros de la validez
de la representacin es, en nuestro enfoque, fundamental en el desarrollo de la
competencia modelativa. Cada contribucin es una representacin del modelo
mental activo de cada participante que, al expresarse como modelo conceptual
en una expresin escrita, activa la valoracin de otra persona que, a su vez, est
representando el mismo sistema. El encadenamiento de esas intervenciones
constituye un hilo argumentativo dinmico, en el que cada expresin puede ser
un estado en la solucin del problema.
1 Argunaut es un software desarrollado en el proyecto europeo Argunaut, IST-2005-027728.
Colaboracin del grupo Kishurim con otros grupos de la Red Europea de Argumentacin.
83
Problema
Qu es mejor: apostar por el 11 o
por el 4 cuando se lanzan los dos
dados en una jugada?
Hiptesis Datos
Mi propuesta es que Hiptesis Tengo la duda porque he
la probabilidad de Pienso que da igual porque si los tirado varias veces los
cada nmero se define dados estn bien equilibrados, la dados y no encuentro
como una funcin de probabilidad es siempre igual para que la probabilidad sea la
probabilidad condicional. cada nmero. misma.
Comentario
No pienso que la probabilidad para
un dado se establezca de la misma
manera para dos dados juntos que
para un solo dado.
Figura 8. Segmento de un proceso argumentativo. Los participantes utilizan categoras para hacer sus intervenciones.
Hay un smbolo para el problema, otro para las hiptesis, otro para los datos y otro para los comentarios. La secuencia
constituye el hilo argumentativo que evoluciona para el caso en dos direcciones: probabilidad simple y probabili-
dad condicional.
El juego algebraico
El segundo conjunto de experiencias de aprendizaje es el ejercicio de la de-

mostracin con base en ecuaciones. El razonamiento algebraico y su correspon-
diente representacin en frmulas implican el reconocimiento de un sistema de
variables o categoras de entidades y relaciones. Por lo tanto, activa la abstrac-
cin.
En el caso que estamos abordando, cada dado puede ser representado como
un sistema de seis lados; y el hecho de lanzarlos puede representarse como un
sistema de eventos denominados por los nmeros de cada una de las caras del
dado. S es el sistema de los eventos [1, 2, 3, 4, 5, 6].
Cada uno de los eventos tiene igual probabilidad de aparecer y es exclu-
yente; si aparece cualquiera de ellos, los otros no aparecen. La siguiente es una
percepcin de la estructura:
p(1)p(12)
p(1)p(12)
84
Si tomamos un dado y lo lanzamos, entonces la probabilidad de un evento

x es igual a 1 entre 6. P(x)=1/6
Tabla 1. Matriz de combinaciones de las caras de los dos dados. En cada celda se presenta la suma de los nmeros
de cada uno de los dados. La matriz define el espacio muestral sobre el cual se define la probabilidad de cada nmero
resultado de la suma de los dos dados.
Caras 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
La representacin de la funcin de A=0; B=0

probabilidad simple es una base de abs- C4=0; C11=0
N=0
traccin que sirve de apoyo a otros pa-
sos posteriores. Cada dado tiene un Lanzar dados
comportamiento independiente del
otro dado; entonces, una vez que ha ca-
A= Dado 1; B=Dado 2
do un dado, se define un evento que se
combina con cualquiera de los otros la-
dos. De tal manera que una vez que un si no
S=4
dado cae con una cara arriba, esta tie- C4=C4+ 1
no
ne la probabilidad de combinarse con S=11
cualquiera de los otros lados de 1/6. no
si
N=100
P(x) n (y)=1/6*1/6=1/36 C11=C11+
En este punto, entra en juego la re- si
lacin entre dos probabilidades, y la no C <C si

Mejor 4 Mejor 11
una condiciona a la otra. Entra, en- 4 11
tonces, la representacin de la proba-

Figura 9. Un diagrama para la solucin del problema.
bilidad condicional. Si cada evento del
primer dado que cae se combina con cada evento del segundo dado, la posibi-
lidad de combinaciones est expresada por una matriz 6*6 (vase tabla 1). El
nmero de combinaciones cuya suma es 4 es de 3 y el nmero de combinacio-
nes cuya suma es 11 es de 2. En consecuencia, la probabilidad de que salga un 4
es p(4)=3*1/36=1/12; la probabilidad de que salga un 11 es p(11)=2*1/36=1/18.
Por tanto p(11)<p(4).Al parecer, lo conveniente en el ordenamiento pedag-
gico es partir de la experiencia argumentativa para llegar a la algebraica, pues
permite un proceso inductivo. El deductivo posiblemente sea ms difcil para
los estudiantes.
85
La diagramacin
La tercera experiencia es la representacin en diagrama de los pasos lgi-

cos para resolver el problema, que podemos denominar algoritmo si se tiene
seguridad en el hallazgo de la solucin o heurstica si slo se garantiza un
acercamiento a la solucin. Al parecer, el desarrollo de esta forma de repre-
sentacin requiere de experiencia previa en la solucin del problema o, al me-
nos, de problemas similares.
Podemos tomar la definicin muy aceptada de inteligencia artificial segn

la cual la solucin de un problema es un proceso de transicin de estados de
un sistema generado a causa de la aplicacin de un operador, desde un estado
inicial hasta un estado solucin, para orientar la experiencia.
Un primer paso se puede pensar como la identificacin de un sistema en

un estado inicial. Un sistema de dos dados se puede representar con dos varia-
bles A y B. Los valores de estas dos variables se puede pensar que son 0, antes
de cualquier lanzamiento. Configuramos un espacio muestral, por ejemplo de
100 lanzamientos, y vamos contando las veces que lanzamos los dados; para
esto, usamos tambin una variable N cuyo valor antes de iniciar es de 0. Iden-
tificamos los valores que nos interesa: en este caso todos los eventos A+B=4 o
A+B=11. Tomamos la variable C4 para anotar las veces que salga 4, y C11 para las
veces que salga 11, partiendo de C4 =0 y C11=0 como valores iniciales.
Cuando se hayan hecho los 100 lanzamientos, la solucin del problema es-
tar dada por la comparacin C4< C11. Si el valor es verdadero, es mejor apostar
por el 11, de lo contrario es mejor apostar por el 4.
Se espera que la experiencia de la diagramacin genere la imagen mental del

proceso de solucin de un problema. El referente, que no es directamente la solu-
cin del problema mismo, sino el mismo proceso seguido, desarrolla la capacidad de
planear una solucin, lo cual es un componente de la habilidad de modelamiento.
Al integrarse este tipo de experiencia con las experiencias argumentativa

y algebraica, se consolida el conocimiento con un complemento, y se espera
que los estudiantes que tienen integradas las tres experiencias consoliden sus
aprendizajes y los recuerden con mayor consistencia, que si solo tuvieran una
de las tres experiencias.
86
La representacin computacional en la formacin

de la capacidad de modelamiento
Pasar de una representacin diagramtica a una computacional es una prc-

tica bien vista entre los programadores profesionales. Indudablemente que la
diagramacin es un soporte slido para la programacin. Esto no significa que
esta ltima no aada dimensiones importantes en la comprensin del proble-
ma y del conocimiento que hace posible su solucin. El siguiente es el cdigo
en MatLab derivado de la diagramacin presentada, con los comentarios que
explican cada paso y la grfica generada por el programa:
function muestra(z)
% El sistema le pide al usuario que introduzca el tamao del espacio muestral o n-
mero de veces que se deben tirar los dados
tam=input(Digite Tamao: )
% se inician las variables: A y B para cada dado; C2 hasta C12 para las veces que da
cada resultado de la suma A+B
A=0; B=0; C2=0; C3=0; C4=0; C5=0; C6=0; C7=0;C8=0;C9=0; C10=0; C11=0; C12=0;
% simulacin del lanzamiento de los dados
for x= 1 : tam
% se lanza el primer dado
A=randi(6,1,1);
% se lanza el segundo dado
B=randi(6,1,1);
% se calcula la suma de los dos dados
s=A+B;
% se actualizan los contadores para los posibles resultados
switch logical (true)
case s==2, C2=C2+1;
case s==3, C3=C3+1;
case s==4, C4=C4+1;
case s==5, C5=C5+1;
case s==6, C6=C6+1;
case s==7, C7=C7+1;
case s==8, C8=C8+1;
case s==9, C9=C9+1;
case s==10, C10=C10+1;
case s==11, C11=C11+1;
case s==12, C12=C12+1;
otherwise (s);
end
end
% se construyen la matriz de las sumas
v=[C2/tam,C3/tam,C4/tam,C5/tam,C6/tam,C7/tam,C8/tam,C9/tam,C10/tam,C11/
tam,C12/tam]
% se configura la matriz de las posibles sumas
vec=[2 3 4 5 6 7 8 9 10 11 12];
% se configura la matriz de valores esperados
mat=[1/36,2/36,3/36,4/36,5/36,6/36,5/36,4/36,3/36,2/36,1/36];
87
% se muestra cul es la mejor opcin

if(C4<C11)
display(Mejor 11);
else
display(Mejor 4);
end
% se genera la grfica que contrasta los valores esperados con los valores
% obtenidos
plot (vec,v)
hold on;
plot (vec,mat, r)
hold off;
0,2
0,18
0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
1 2 3 4 5 6 7 8 9 10 11
Probabilidad dada Probabilidad esperada
Figura 10. Curvas de probabilidad esperada y probabilidad observada con una muestra de 100 eventos, resultado del
programa en MatLab.
El programa simula un espacio muestral de eventos, cuyo tamao es intro-

ducido por el usuario. La grfica toma 100 lanzamientos, pero se puede confi-
gurar con el tamao que se desee. El programa grafica tambin la probabilidad
esperada. Al hacerlo as, se puede probar que en la medida en que se aumenta el
tamao de la muestra las dos curvas tienden a superponerse, fenmeno que di-
fcilmente se aprecia con clculos manuales. Al hacer la simulacin, el programa
muestra cmo la mayora de las veces es mejor apostar por el 4 que por el 11.
A partir de esta simulacin, los estudiantes fcilmente se formulan pregun-
tas nuevas, posiblemente ms complejas que pueden resolver introduciendo
modificaciones al cdigo.
Segundo ejemplo: el caso del semforo
Conducir probablemente sea la actividad cotidiana ms compleja que lleva

a cabo un ser humano, pues est formada por, al menos, 1.500 subcompeten-
cias, segn estimaron McKinght y Adams (1970).
Un estudio de un tramo de carretera en Maryland (EE.UU.) revel que
apareca informacin cada 0,6 metros, lo que a 48 km por hora significa estar
88
expuesto aproximadamente a 1.320 tems, o 440 palabras por minuto. El equi-

valente sera leer tres o cuatro prrafos de un libro mientras se contempla a la
vez un puado de imgenes.
El simple encuentro con un semforo en amarillo pone en funcionamiento
una compleja cadena de pensamientos que fundira los circuitos de cualquier
ordenador. Cunto tiempo le queda al semforo?, me dar tiempo?, cunto
tengo que acelerar para conseguirlo?, vale la pena?, infringir alguna norma?,
si decido frenar de golpe, me dar el automvil que tengo detrs?, si apuro
demasiado, el automvil del otro semforo tiene aspecto de que acelerar antes
de tiempo, produciendo una colisin?, est mojada la calzada?, quedar atra-
pado en un cruce, bloqueando el paso?
La presente investigacin ha encontrado un potencial pedaggico especial
en el desarrollo gradual de la secuencia representacin verbal, algebraica, dia-
gramtica y computacin, que desarrollamos con nuestros estudiantes del cur-
so Modelamiento y Simulacin. A continuacin, se detalla esta secuencia con
el caso del semforo.
Caso paro representacin verbal
Pancho es un conductor novato que sale a conducir su automvil para cono-

cer ms detalladamente las vas de la cuidad y, de paso, adquirir mayor habilidad
de manejo. En cierto punto de su viaje, se desplaza por una calle a la mxima
velocidad permitida (82.8 Km/h). Cuando el vehculo est a 65 metros de la si-
guiente interseccin, se ve cambiar el semforo de verde a amarillo (figura 11).
Figura 11. Diagrama del cruce en donde est instalado el semforo.
Pancho debe tomar la decisin de seguir adelante o frenar. Se le presenta

un dilema en la decisin al atender tanto a la legalidad como a la seguridad del
resultado: si sigue adelante, debe cruzar la calle de la interseccin antes que la
luz cambie a roja; si frena, el vehculo debe detenerse antes de la interseccin.
Para analizar en grupo:
Acaso la decisin es irrelevante?
Segn su vivencia cotidiana, cules seran las posibles consecuencias de
tomar la opcin errnea?
89
Qu variables deben ser consideradas en la decisin?

Sera til la matemtica para resolver la inquietud de Pancho?
Vamos a suponer que la luz amarilla est encendida durante 3 segundos an-
tes de que la luz se vuelva roja. Adems, el ancho de la interseccin es de 15
metros, el tiempo de respuesta promedio humana es 1 segundo, la longitud del
automvil es 3 metros y la desaceleracin del vehculo es 5 m/s2.
Preguntas para resolver en colectivo:

Se debe frenar o seguir adelante?
Si el tiempo de luz amarilla fuese de 4 s, como vara la respuesta a la
pregunta anterior?
Solucin propuesta y como referencia y base para proveer feedback

El conductor debe decidir entre parar o seguir. A continuacin se ilustran
cada una de las opciones que tiene el conductor, si el tiempo de la luz amari-
lla es 3 s:
Seguir: cruzar toda la interseccin requiere recorrer 65 + 15 + 3 = 83

metros, que deben ser cubiertos antes de que la luz cambie a rojo; pero a
esa velocidad y con ese tiempo, el auto slo podr recorrer 23 3 = 69
metros, antes de cruzar completamente y despus de la interseccin.
Parar: para realizar con xito la maniobra de parada, se debe cumplir que
la distancia de frenado debe ser menor que la distancia disponible to-
tal menos la distancia recorrida durante el tiempo reaccin. Mientras el
conductor decide frenar (1 s), el automvil recorrer 23 1 = 23 metros
de los 65 metros hasta la interseccin. De tal forma, deber frenar antes
de 65 - 23 = 42 metros. Si usamos la relacin de cinemtica:
V V
2 2
V V
2 2
= 2 add =
f 0
f 0
2a
para calcular la distancia de frenado, obtenemos que la distancia de frenado es
2
( 23)
Distancia de frenado = = 53m
2 ( 5 )
As, si no se alcanzara a frenar antes de la esquina, el vehculo se detendr
en la mitad del cruce.
90
Paso a la representacin algebraica
Problema: cmo podra estimar el tiempo que debera durar la luz amarilla
del semforo para que no exista zona de dilema?
Pancho, molesto al descubrir la sin salida de esta situacin, se propone en-
contrar alguna solucin para el dilema y presentarla a las autoridades respon-
sables. De esta manera, caracteriz la situacin as:
Un auto se acerca a la interseccin a la mxima velocidad permitida
( 82.8 Km / h ) . Cuando el vehculo est a x metros de la interseccin,
se cambia el semforo de verde a amarillo. El conductor se ve forza-
do a tomar la decisin de seguir adelante o frenar, y el resultado debe
ser al mismo tiempo legal y seguro: si sigue adelante, el vehculo debe
cruzar totalmente la interseccin antes que la luz cambie a roja; si de-
cide frenar, el vehculo debe detenerse antes de la interseccin.
Tambin hizo los siguientes supuestos:

La luz amarilla est encendida durante T s antes de que la luz se vuel-
va roja.
El ancho de la interseccin es de 15 metros.
El tiempo de respuesta promedio humana es 1 segundo.
La longitud del automvil es 3 metros.
La desaceleracin del vehculo es 5 m/s2.
Definiciones
xo: Distancia mxima del automvil a la interseccin, ms all de la cual

no alcanzara a pasar, mientras la luz an est en amarillo.
xc: Distancia mnima del automvil a la interseccin en la cual un veh-
culo podr detenerse antes del cruce.
Para un lugar en particular, las magnitudes relativas de las dos distancias
crticas xo y xc determinan si un vehculo puede o no ejecutar con seguridad y
legalidad, cualquiera de las dos maniobras.
1. Encuentre una expresin que relacione xo y el tiempo de duracin de la
luz amarilla T.
2. Encuentre una expresin que relacione xc y el tiempo de duracin de la
luz amarilla T.
91
3. Interprete que pasa si xc < x0.

4. Interprete que pasa si xc > x0.
5. Interprete que pasa si xc = x0.
6. Cmo eliminara la zona de dilema?
Solucin propuesta como referencia y base para proveer feedback

1. x0 + w + L = V0T
x0 + 15 + 3 = 23T
x0 = 23T 18
V V
2 2
2. 232
= ( 23)(1) + = 76
f 0
xc = V0 t r +
2a 2 (5)
3. xc < x0: Existe un lmite claro
en el que se debe parar o se-
guir al aparecer la luz amarilla.
De hecho, existe una zona de
longitud x0 - xc donde el con- Figura 12. Condicin de la solucin.
ductor puede ejecutar cual-
quiera de las dos maniobras.
Un detalle que debemos no-
tar es que en este caso aunque
la duracin de la luz amarilla
es segura podra durar mucho
ms tiempo del estrictamente
necesario (figura 12).
4. xc > x0: Existe una zona de
dilema de longitud x0 - xc.
Un vehculo en dicha zona
que se aproxima a la inter-
seccin al lmite de la ve-
locidad no podr ejecutar
ninguna de las dos manio-
Figura 13. La zona de dilema, en la cual el vehcu-
bras con seguridad ni legali- lo no podr realizar ninguna de las dos maniobras con
dad (figura 13). seguridad.
5. xc = x0: Representa la situacin lmite; igual que el caso anterior existe

un lmite tajante de dnde se debe parar o seguir, pero no se desper-
dicia tiempo.
92
6. La zona de dilema puede eliminarse de dos formas:

x0 = xc
23T 18 = 76
76 + 18
T min =
23
T min = 4.085
Representacin diagramtica Se inicia el proceso identificando las variables

cuyos valores son conocidos:
Una vez que se ha logrado una VP(Velocidad permitida)=82.8 k/h
AI(Ancho de impresin=15 m
solucin algebraica para dar una re- TR(Tiempo de respuesta)= 1 s
comendacin, podra representar- LA(Lngitud de automvil)=3 m
DA(Desaceleracin del automvil)=-5 m/s
se grficamente el proceso seguido.
Probablemente la lgica expresada
en el diagrama que se elabore pue-
Calcular la distancia
da ser til para los programadores Conoce la distancia No de frenado del vehculo
a la que puede frenar
de sistemas. y quedar antes de la
D_frenado=
(Vf2 - Vo2)/2*A
lnea de cruce?
Dada la situacin a los supues-
tos de Pancho para el caso del se- S
mforo, disee un diagrama que
muestre una secuencia de proce- Conoce la distancia
Calcular distancia
No mnima del automvil
sos que permitan estimar el va- mnima del automvil para detenerse antes
para detenerse antes
lor mnimo que debe durar la luz de la interseccin?
de la interseccin
Xc=23+D_frenado
amarilla del semforo de tal forma
que xc = x0. Para esto, debe guiarse S
por la forma de realizar los clcu-
Inicia el
los algebraicos presentados arriba. contador de tiempo
k=0
Es importante que al iniciar
identifique cules son las variables Xo=23*T-18
si abs (XO(T)-Xc<0.01
que entran en juego en la solucin k=10 No
T(k)=k
del problema, si sus valores estn da- k=k+0.1
dos o si se necesita calcularlos, qu S
decisiones se requiere tomar en las La duraciones
diferentes etapas de la solucin y estn en T(k) FIN
cules son los procesos de clculo re- Figura 14. Solucin diagramtica al problema del sem-
queridos para encontrar la solucin. foro.
93
Solucin propuesta y base para proveer feedback

La figura 14 muestra una solucin posible al problema del semforo. Toma
como base el proceso seguido en la solucin algebraica. Distingue la iniciali-
zacin de variables, las decisiones en cada etapa del proceso, los procesos desa-
rrollados y el resultado final.
Representacin computacional
El diagrama elaborado en la solucin anterior podra llevar a generar un
programa de computador y podra entonces simularse la situacin del semforo?
Para avanzar en la solucin, se debe implementar en cdigo de MatLab los
pasos del algoritmo expresado en la solucin diagramtica encontrada para el
problema del semforo. Programe como salida un grfico que muestre las rela-
ciones entre el tiempo y las variables crticas de la solucin.
Solucin propuesta y base para proveer feedback
Tiempo ptimo de la luz amarilla del semforo

100
90
80
70
60
50
Xo-Xc
40
30
20
10
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
Tiempo luz amarilla
Figura 15. Simulacin del problema del semforo.
94
Conclusiones
En este captulo se ha presentado la formacin de la competencia de mode-
lamiento desde una perspectiva de la cognicin humana y se ha mostrado con
ejemplos una forma de orientar la prctica pedaggica de formacin de esta
competencia: la relacin entre la percepcin y la formacin de modelos men-
tales, entre estos y la construccin de modelos conceptuales que se expresan a
travs de formas de representacin y de estos con la comunicacin y la cons-
truccin colaborativa de conocimiento.
En este enfoque, la explicacin de un facilitador o la lectura de un texto
son insuficientes para la formacin de la competencia, se requiere del ejercicio
de construccin del modelo conceptual; las cuatro formas de representacin
consolidan la habilidad que integra el modelo mental al conceptual. Nuestro
razonamiento conduce a pensar que las cuatro formas de representacin se
complementan mutuamente, que el conocimiento se desarrolla en una forma
de espiral y que en la medida en que se avanza, el nivel de profundidad de los
aprendizajes es mayor.
La representacin verbal en procesos argumentativos tiene gran potencial
para identificar variables de contexto, desarrollar la capacidad de control sobre
el proceso argumentativo y su calidad y para formar categoras ontolgicas. La
relacin entre categoras ontolgicas con las categoras del dominio de conoci-
miento es de especial potencial en la construccin de conocimiento.
La representacin algebraica tiene especial potencial para identificar re-
laciones estructurales. El nivel de abstraccin es la base para hacer compa-
raciones estructurales. En el hallazgo de isomorfismos y homomorfismos se
establecen las bases para la transferencia de conocimiento.
La representacin diagramtica desarrolla conocimiento sobre procesos y
estrategias de planeacin de procesos y construccin de procedimientos. Es la
base para la construccin de tcnicas de solucin de problemas.
La representacin computacional genera posibilidades de jugar con escena-
rios, analizar soluciones alternativas de problemas y, por lo tanto, es la base del
razonamiento prospectivo.
Referencias
Jonassen, D. H. (2006). Modeling with Technology: Mindtools for Conceptual
Llins, R. (2002). El cerebro y el mito del yo: el papel de las neuronas en el pensa-
miento y el comportamiento humano. Bogot, D. C.: Editorial Norma.
95
McKnight, A. J. y Adams, B. B. (1970). Driver Education Task Analysis.

Vol. I: Task descriptions. (Report No. DOT-HS-800-367, HUM-
PRO-TR-70-103). Washington: National Highway Traffic Safety Ad-
ministration.
Maldonado, L. F. (2012). Virtualidad y autonoma: pedagoga para la equidad.

Bogot: Iconk Editorial.
Maldonado, L. F., De Groot, R. y Drachman, R. (eds.) (2012). Argumentacin

para el aprendizaje colaborativo de la matemtica. Bogot: Ediciones Uni-
versidad Central.
OReilly, R. C. y Munakata, Y. (2000). Computational Explorations in Cognitive

Neuroscience. Cambridge, Massachusetts: The MIT Press.
Quine, W. V. O (1960). Word & Object. Cambridge, Massachusetts: The MIT

Press.
Sowa, J. F. (1986). Conceptual Structures: Information Processing in Mind and

Machine. Reading. Massachusetts: Addison-Wesley Publishing Com-
pany.
Sowa, J. F. (2000). Knowledge Representation: Logical, Philosophical and Compu-

tational Foundations. Brooks/Cole, Thomson Learning.
Vygotsky, L. S. (1978). Pensamiento y lenguaje. Madrid: Editorial Paids.
96
Captulo 5
La representacin verbal
en el desarrollo de la competencia
de modelamiento matemtico
Luis Bayardo Sanabria Rodrguez*

David Macas Mora**
Myriam Sofa Rodrguez***
Adriana Roco Lizcano Dallos****
Introduccin
E ste captulo presenta un escenario en donde la solucin de casos se da en

un ambiente virtual que favorece la argumentacin y hace posible la re-
presentacin del proceso de solucin de forma verbal, y aporta al desarrollo de
la competencia de modelamiento matemtico. La discusin sobre la lectura de
fenmenos, la identificacin de variables y sus relaciones, sus posibles formas
de representacin y la interpretacin de un modelo construido desde sus apli-
caciones, alcances y limitaciones, posibilitan el desarrollo de la competencia de
modelamiento. La incorporacin de la argumentacin como actividad social
en el proceso de solucin de casos y de su representacin grfica, denominada
mapa argumentativo, activa la discusin sobre las diferentes percepciones tanto
* Ph. D. y profesor e investigador de la Universidad Pedaggica Nacional. Pertenece al grupo

de investigacin Cognitek. Correo electrnico: lubsan@gmail.com
** M. Sc. y profesor e investigador de la Universidad Central, Departamento de Matemticas.
Pertenece al grupo de investigacin Tecnimat. Correo electrnico: dmaciasm@ucentral.edu.co
*** M. Sc. y profesora e investigadora de la Universidad Central, Departamento de Matemticas.
Pertenece al grupo de investigacin Tecnimat. Correo electrnico: mrodriguezg5@ucentral.
edu.co
**** M. Sc. y profesora e investigadora de la Universitaria de Investigacin y Desarrollo (UDI).
Pertenece al grupo de investigacin Gidsaw. Correo electrnico: alizcano@udi.edu.co
97
La representacin verbal en el desarrollo de la competencia de modelamiento matemtico
del fenmeno como del proceso de solucin. El software Argunaut1 es un am-

biente que posibilita la representacin verbal del proceso de solucin del caso y
la lectura retrospectiva, para los intereses de los estudiantes o el administrador
del escenario de aprendizaje.
Antecedentes y marco conceptual

Una estrategia para desarrollar la competencia de modelamiento es la inte-
raccin social. Este tipo de interaccin se da entre dos o ms personas que cons-
truyen conocimiento a travs de la comunicacin. La dinmica del dilogo se
genera a partir de una idea que sirve de base para coordinar la discusin del tema
que se est desarrollando. En la medida en que existen acuerdos, el dilogo se va
ajustando de tal forma que cada participacin de una persona se centra en la es-
tructura que se va consolidando hasta obtener un modelo. Las acciones de puli-
mento y precisin conceptual que conducen al desarrollo del modelo son las que
podran aproximarse al desarrollo de competencias de modelamiento. De acuer-
do con Clark (2002), la conversacin surge cuando dos o ms personas utilizan
el dilogo para coordinar tareas que realizan de manera colaborativa. La estruc-
tura de la conversacin surge a partir del dilogo, la planeacin y la negociacin.
En la solucin de un problema, como por ejemplo los casos trabajados en
esta investigacin, se desarrolla la interaccin mediada por un ambiente virtual
como Argunaut. Este ambiente de aprendizaje establece una interfaz de con-
versacin entre dos o ms personas que trabajan juntas, compartiendo opinio-
nes sobre una tarea o problema que se les plantea (Clark, 2002). El ambiente
computacional es un apoyo en el desarrollo de la tarea. En este contexto, se
pueden establecer conexiones entre los pares, el tutor y los recursos de apren-
dizaje (Dillenbourg, Schneider y Synteta, 2002). Cada estudiante asume un
rol que le ayuda a determinar sus acciones y verbalizaciones en el proceso de
solucin. Existen metas que la persona fija al inicio del proceso y otras que se
generan durante el proceso y que estn relacionadas con el intercambio de in-
formacin, la planeacin de acciones y la negociacin. La construccin de co-
nocimiento que surge como resultado de la interaccin entre pares est dada
por una situacin de aprendizaje en la cual los estudiantes resuelven un pro-
blema: para ello acuden a combinar sus propias posiciones, basados en conoci-
mientos y experiencias previas (Collins, Brown y Newman, 1989).
Basados en la propuesta del cambio conceptual planteada por Jonassen
(2006) y el ciclo generado en la espiral de conocimiento (Maldonado, 2013), se
1 Argunaut es un software desarrollado en el proyecto europeo Argunaut, IST-2005-027728.

Cuenta con la colaboracin del grupo Kishurim y de otros grupos de la Red Europea de
Argumentacin.
98
Luis B. Sanabria R., David Macas M., Myriam S. Rodrguez, Adriana R. Lizcano D.
puede inferir una ruta de aprendizaje que visualiza el proceso de modelamien-

to a partir de la argumentacin. El modelo mental de los estudiantes, basado
en el manejo conceptual que poseen y el procesamiento cognitivo que realizan
a partir de un problema propuesto, los conduce a la generacin de argumentos
que se podran materializar en una idea o solucin. De acuerdo con la din-
mica de la espiral, esta idea o argumento podra acercarse a la definicin de un
modelo conceptual. El ciclo contina en la medida en que se utiliza este mode-
lo para nuevamente activar procesos cognitivos de otras personas que intentan
probarlo, hasta lograr encontrar un resultado que valide dicho modelo. Este
proceso determina una situacin de aprendizaje a travs de la colaboracin,
donde existe una controversia y una negociacin que facilita la comprensin y
construccin de conocimiento. A continuacin, se expone una aproximacin al
concepto de aprendizaje colaborativo.
Aprendizaje colaborativo
La colaboracin se presenta cuando existe una interaccin social entre dos

o ms personas que se comunican para controvertir o negociar el conocimien-
to, mientras resuelven un problema o una tarea. Noble y Letsky definen la
colaboracin a partir de los aspectos mentales de la resolucin conjunta de
problemas con el propsito de mejorar la comprensin compartida, la toma de
decisiones o la creacin de un producto (2005). Otros autores como Alberts,
Garstka, Hayes y Signori consideran la interaccin colaborativa de actores
que comparten activamente datos, informacin, conocimiento, percepciones o
conceptos cuando estn trabajando juntos con un propsito comn y la forma
como ellos mejoran tal proceso eficiente y efectivamente (2001).
Otra versin de esta definicin la plantea Dillenbourg, quien trabaja el con-

cepto de aprendizaje colaborativo a partir de la interaccin entre varios indi-
viduos. Este autor define el aprendizaje colaborativo como una situacin en
la cual dos o ms personas aprenden o intentan aprender alguna cosa juntos
(1999, p. 2). De acuerdo con Dillenbourg, el aprendizaje colaborativo se carac-
teriza por una comunicacin sincrnica de los integrantes del grupo colabora-
tivo y un proceso de negociacin, consistente en la presentacin de argumentos
que justifiquen el punto de vista de cada persona para intentar convencer al
otro. Si se analiza el planteamiento de Dillenbourg en el contexto de la ar-
gumentacin, se podra evidenciar una situacin de aprendizaje colaborativo,
soportada en la forma como se desarrolla el aprendizaje, donde sus actores se
comunican de manera sincrnica para compartir sus puntos de vista, basados
en una propuesta de solucin de problemas. Conforme al proceso de negocia-
cin, sustentado en esta teora, existe un espacio donde se presentan los con-
99
ceptos e ideas que son discutidas, controvertidas, para llegar a acuerdos que
se reflejan en un modelo. Cuando existe claridad sobre el modelo, termina el
proceso de negociacin. Esta lgica se observa en la solucin de los casos pro-
puestos para el desarrollo de la investigacin sobre modelamiento. Hipottica-
mente, se pensara que el desarrollo de competencias de modelamiento estara
ligado a la capacidad que tiene cada individuo para negociar su posicin frente
a los dems. Esta presuncin sera objeto de investigacin.
De otro lado, si se hace un inventario de los escenarios donde se desarrolla

el aprendizaje colaborativo, se podra acudir a los ambientes virtuales de apren-
dizaje. La interfaz que ofrecen estos ambientes es el espacio de comunicacin
dispuesto en una ontologa que facilita la interaccin de los pares y orienta el
camino de solucin de los problemas. A continuacin, se hace referencia a este
sistema de representacin cognitiva.
Ontologas para la interaccin colaborativa
Una ontologa se constituye en un lenguaje donde se establece una comuni-

cacin entre dos o ms personas, para compartir conocimiento. Gruber define
una ontologa como una conceptualizacin formal y explcita de un conoci-
miento compartido (1993). La ontologa est determinada por un vocabulario
descrito a travs de un conjunto de categoras y objetos relacionados (Guari-
no, 1992).
El espacio semntico constituido por una ontologa genera un contexto
que posibilita la identificacin y utilizacin de elementos relacionados con
la percepcin, para materializarlos en la construccin de conocimiento. Esta
transformacin es un elemento importante en el proceso de aprendizaje co-
laborativo. La integracin de categoras ontolgicas en la construccin con-
ceptual es un proceso til para definir las relaciones entre los conceptos (o las
ideas) que maneja la persona y el lenguaje que utiliza para comunicar su cono-
cimiento a otros (Guarino, 1998).
Esta concepcin determina las clases y relaciones necesarias para establecer
una comunicacin entre pares, as como la interaccin entre ellos genera los
argumentos, donde se incluyen las ideas o los conceptos que aportan a la cons-
truccin de un modelo. Un modelo se concreta con la construccin de conoci-
miento, e incluye los datos y la composicin de la informacin.
Weggeman (1997) define los datos como la representacin de nmeros,
cantidades, magnitudes o hechos, y establece el origen de la informacin en el
significado que le da una persona a los datos. El autor integra estos conceptos
100
para precisar el conocimiento a partir de la informacin que ha sido compren-

dida, interpretada y validada en un contexto.
Al considerar el modelo como una estructura de conocimiento, se puede
plantear su evolucin a partir de la interaccin colaborativa, teniendo en cuen-
ta tres etapas: la evolucin del concepto hasta ser comprendido, la diversidad
de los aportes para poderlo interpretar y la validacin de tal concepto a partir
de su aplicabilidad en el contexto. Estas fases podran considerarse elementos
vlidos en el desarrollo de la competencia de modelamiento.
Metodologa
Condiciones
El proceso de experimentacin se llev a cabo en dos instituciones univer-

sitarias colombianas: Universidad Central de Bogot y Universitaria de Inves-
tigacin y Desarrollo (UDI) de Bucaramanga, durante el segundo semestre
acadmico de 2012 y con estudiantes de programas de ingeniera, distribuidos
como lo muestra la tabla 1.
Tabla 1. Poblacin del experimento
Institucin universitaria Curso Semestre Cantidad de estudiantes
Matemticas III 3 50
Universidad Central
Modelamiento y Simulacin 4 25
Matemticas III 3 30
Universitaria de
Investigacin y Desarrollo
Dinmica de Sistemas 9 37
Procedimiento
Cada uno de los cursos se distribuy en pequeos grupos de 4 a 7 estudian-

tes, asignados aleatoriamente, que variaban en cada una de la sesiones de tra-
bajo. En cada uno de los cursos se desarroll un conjunto de casos o problemas
contextualizados que buscan incentivar la discusin de los estudiantes a partir
de la formulacin de una pregunta generadora y de su participacin en el espa-
cio de discusin sincrnica en lnea, denominado Argunaut 1.0. Las activida-
des de experimentacin se desarrollaron en los siguientes momentos:
101
Lectura del planteamiento del caso antes de iniciar la sesin o al inicio

de la sesin.
Discusin y situacin (pregunta generadora).
Retroalimentacin por parte del docente encargado de la administra-
cin de la sesin de clase.
Evaluacin al inicio de la siguiente sesin de trabajo.
Modelo de anlisis de la informacin
Anlisis de los mapas argumentativos
Para este proceso se definieron tres aspectos de anlisis: anlisis ontolgico,

anlisis relacional y anlisis de clster, para los cuales se definieron los siguien-
tes indicadores:
Anlisis ontolgico. Revisa el nmero de formas ontolgicas utilizadas
por cada estudiante en cada uno de los mapas argumentativos, distribui-
dos de acuerdo con la ontologa definida: solucin, propuesta, pregunta,
frmula y explicacin.
Anlisis relacional. Revisa el nmero de cada uno de los tipos de relacio-
nes que unen las formas ontolgicas utilizadas por cada estudiante. Esto
implica que se definieron: cantidad de enlaces de apoyo que entran, can-
tidad de enlaces de apoyo que salen, cantidad de enlaces de oposicin
que entran y cantidad de enlaces de oposicin que salen.
Anlisis de clster. Identifica grupos de formas ontolgicas que estn re-
lacionadas y que desarrollan una idea central. De este anlisis se esta-
blecieron: nmero de clster, cantidad de contribuciones al clster, idea
central que desarrolla el clster, contribuyentes al clster y descripcin
del proceso argumentativo que se ejecut en el clster.
Anlisis estadstico
En el anlisis estadstico se pretende ver el efecto de la representacin ver-

bal en la solucin de casos sobre el rendimiento acadmico. Se hace un anlisis
de regresin, en donde se toma como variable dependiente el resultado obte-
nido en cada una de las evaluaciones del semestre: en el primer corte (30%), en
el segundo corte (60%) y en el examen final; como variables independientes, se
toman el curso y la frecuencia de uso de cada una de las categoras ontolgicas.
102
Anlisis de datos
El desarrollo de casos para el modelamiento matemtico, utilizando la re-

presentacin de los procesos argumentativos como estrategia de comunicacin
y de solucin verbal, es una expresin de la interaccin con categoras ontol-
gicas que estn distribuidas en redes de participacin, donde se asocian las in-
tervenciones mediante relaciones.
Con miras a observar el efecto de la estrategia de argumentacin en el desa-
rrollo de la capacidad de modelamiento, se hace un anlisis cualitativo a partir
del procesamiento de los datos ontolgicos, que relacionan tres componentes:
frecuencia en el uso de cada una de las categoras ontolgicas, frecuencia en el
establecimiento de cada tipo de relacin y la identificacin de ncleos de cons-
truccin de conocimiento (agrupamientos o clster) que permitan establecer
o categorizar los diferentes momentos en el proceso de solucin de problemas
sobre modelado matemtico.
Anlisis de categoras ontolgicas
Se analiz la frecuencia de uso de categoras ontolgicas utilizadas por cada

estudiante, en cada uno de los mapas argumentativos, de acuerdo con la onto-
loga definida: solucin, propuesta, pregunta, frmula y explicacin (tabla 2).
Tabla 2. Uso de categoras ontolgicas en la solucin argumentativa de problemas por universidad y asignatura
FRECUENCIA DE USO DE CATEGORAS
Asignatura Solucin Propuesta Pregunta Frmula Explicacin

% % % % %
Universidad Central - Matemticas III 16,26 45,72 18,83 12,96 5,63
Universidad Central - Modelamiento

17,67 57,32 6,62 4,75 13,64
y Simulacin
Universitaria de Investigacin y
4,96 52,38 15,39 3,30 24,32
Desarrollo - Matemticas III
1,0 5,4 61,8 16,1 15,7
Desarrollo - Dinmica de Sistemas
Media 9,9725 40,205 25,66 9,2775 14,8225
La tabla 2 muestra el porcentaje de uso de categoras en la solucin argu-

mentativa de problemas de Matemticas III y Modelamiento y Simulacin en
las dos universidades. Se puede observar que en la solucin de los casos en tres
asignaturas, la categora de mayor frecuencia de uso es propuesta. En las otras
103
categoras no se identifica una regularidad de uso, lo cual permite inferir que

posiblemente el uso de categoras est asociado al tipo de problema o a la asig-
natura. Adems, son notorios los bajos porcentajes de uso de las categoras so-
lucin y frmula, que se pueden explicar por la poca iniciativa de los estudiantes
para plantear conclusiones definitivas que se caractericen como soluciones del
problema o frmulas finales que se van a utilizar. Normalmente, las frmulas se
incluan en las propuestas que realizaban, lo que debera generar una discusin
acerca de la definicin de las categoras ontolgicas propuestas.
Anlisis de relaciones
La participacin de los estudiantes en la solucin del caso se hace al selec-

cionar una de las formas que ofrece la herramienta: solucin, propuesta, pre-
gunta, frmula y explicacin, escribiendo su participacin en ellas y enlazando
su participacin con los diferentes tipos de enlace: negro (conexin), flecha
verde (apoyo) y flecha roja (oposicin). El mapa que se genera recibe el nombre
de mapa argumentativo. A partir de este mapa argumentativo se puede elabo-
rar una red social, en donde los nodos son los diferentes actores (estudiantes)
que participaron en la sesin, y las aristas son las diferentes conexiones.
Tabla 3. Porcentaje de relaciones usadas en cada una de las asignaturas
FRECUENCIA DE USO DE RELACIONES
Apoyo Oposicin
Asignatura Conexin %
Entradas % Salidas % Entradas % Salidas %
Universidad Central - Matemticas III 24 20 2,5 1,5 52
22,3 17,9 7,5 6,0 46,4
Desarrollo - Matemticas III
Universidad Central - Modelamiento

26 25 5 5 39
y Simulacin
22 21 6 6 45
Desarrollo - Dinmica de Sistemas
En la tabla 3 se registra el porcentaje de la frecuencia de uso de los diferen-

tes tipos de relaciones que utilizaron los estudiantes en la solucin verbal de
los casos que se plantearon en los cuatro grupos que participaron en la expe-
riencia. Se puede observar que el mayor conector que se utiliz en los cuatro
grupos o asignaturas fue conexin, que corresponde a una relacin neutra: est
entre el 39% y el 52%. El conector de menor uso es el de oposicin, al presen-
tar un porcentaje que est entre el 1,5% y el 7,5%. Esta tendencia en el uso de
104
las relaciones neutras podra indicar que los estudiantes no tienen la disciplina
de expresar su opinin tomando el contenido de sus compaeros de una for-
ma crtica, razn por la cual se presenta una mayor dificultad para declararse
en oposicin, pues esto conlleva una mayor necesidad de argumentacin para
defender sus propuestas.
Anlisis de la construccin conjunta de conocimiento
El anlisis del desarrollo de la competencia de modelamiento a partir de la

construccin de conocimiento se basa en la identificacin de clsteres (agru-
pamientos), definidos por las ideas o los conceptos que se van consolidando en
la medida en que los estudiantes se unen con sus aportes para poderlo desarro-
llar. Este proceso determina una construccin conjunta de conocimiento que
puede comenzar, por ejemplo, con proponer una ecuacin o frmula por parte
de un participante del clster y continuar con la agregacin de parmetros que
complementan la frmula; en este caso, podra existir la participacin de otros
miembros que se unen al clster para contribuir con sus aportes y finalizar con
la obtencin de una solucin. Para el estudio propuesto, un clster se caracte-
riza por el hecho de que se construye a partir de una idea o concepto que sirve
de base para su desarrollo: se requiere como mnimo la participacin de dos ac-
tores; su evolucin se da en la medida en que existen aportes de sus miembros
a la construccin de conocimiento.
Tabla 4. Sntesis de la construccin de clster de conocimiento de los cuatro grupos participantes
CLSTER DE CONOCIMIENTO
Momento Idea generadora del clster
Discusin sobre condiciones del caso

Momento 1
Identificacin de datos y variables
Clculos particulares
Momento 2 Discusin sobre posibles soluciones
Propuesta del modelo
Identificacin de elementos y caractersticas del modelo
Momento 3 Interpretacin del modelo
Prueba del modelo
La tabla 4 muestra la sntesis de la construccin de clster de conoci-

miento de los cuatro grupos participantes. La comparacin de los grupos de
las dos universidades muestra una serie de caractersticas comunes que po-
dran generar una estrategia general para el desarrollo de la competencia de
105
modelamiento. Se identifican tres momentos en el proceso de solucin ver-

bal de cada uno de los casos. En el momento 1, los estudiantes hacen una
discusin sobre el contexto y las condiciones del caso: como producto de este
momento se tiene la identificacin de datos y variables que intervienen en el
problema. En el momento 2 de la discusin, los estudiantes hacen clculos
para situaciones particulares del caso, en donde tratan de construir relacio-
nes entre los datos y variables identificados en el momento anterior. Como
producto de este momento, se tiene la propuesta de un modelo. El tema de
discusin del momento 3 son los componentes y caractersticas del mode-
lo propuesto como solucin, es decir: los estudiantes hacen la interpretacin
del modelo. Como producto de este momento, se tiene un modelo ms de-
purado y la prueba de este.
Ejemplo de caracterizacin de un hilo argumentativo

A continuacin se presenta la descripcin de un hilo argumentativo, a ma-
nera de ejemplo, para ilustrar los momentos descritos en la seccin anterior. La
muestra representa un fragmento de las argumentaciones que componen este
hilo. Los actores que participan en la construccin del clster son: WToledo,
JReal, CLpez, UCJParra, UCVGonzlez y MBastidas.
Una vez planteado el problema, dos integrantes activan la categora pro-

puesta y uno activa la categora solucin; sin embargo, quien inicia planteando
una pregunta es WToledo, indagando por una frmula para resolver el pro-
blema. En seguida, JReal plantea otra pregunta que indaga sobre la velocidad
inicial y que se conecta con el problema. A continuacin, WToledo plantea
como propuesta una frmula que relaciona las velocidades inicial y final con
la aceleracin y el espacio. CLpez da una solucin que responde a la pregun-
ta de JReal; por su parte, UCJParra propone un paso para aplicar la frmula,
mientras que WToledo conecta su frmula propuesta con su pregunta, y JReal
conecta su pregunta con la respuesta de CLpez. Hasta este momento, se in-
fiere que existe un sincronismo en las participaciones: todos apuntan hacia la
misma idea, caracterizada por la frmula propuesta por WToledo.
Nuevamente, WToledo pregunta acerca de la velocidad inicial, que se co-

necta con su frmula planteada; esta, a su vez, es conectada por l mismo al
problema formulado. En este momento pareciera que l ha desarrollado una
solucin de manera solitaria, mientras que sus compaeros estn trabajando
paralelamente, pero atados a la propuesta de WToledo. En paralelo, UCV-
Gonzlez se pregunta sobre los 3 segundos planteados en el problema, para
llegar al semforo o cruzar la interseccin, y enlaza su pregunta con el proble-
ma. WToledo elimina su pregunta y cambia la frmula para proponer la utili-
106
zacin de unas leyes que no concreta. CLpez propone otra variable referida al
tiempo, la cual, segn l, no aparece en los datos.
Figura 1. Fragmento de un hilo argumentativo.
Nuevamente aparece WToledo para concretar el tipo de leyes que dej in-
conclusas: se refiere a las leyes de Newton; adems, realiza una pregunta acerca
de qu leyes se van a aplicar. WToledo conecta las dos preguntas con la pro-
puesta, como apoyo de unas con respecto a la otra. Hasta este estado de partici-
pacin, se sigue evidenciando una construccin solitaria de WToledo, mientras
que sus pares de forma paralela tratan de identificar las variables del problema.
En la escena aparece por primera vez MBastidas para proponer una res-
puesta que conecta como oposicin a la pregunta de UCVGonzlez. Nueva-
mente aparece WToledo para concretar con una propuesta la respuesta a su
ltima pregunta: se refiere a la segunda ley. Paralelamente, UCJParra plan-
tea una solucin con un valor concreto que apoya a la primera pregunta de
WToledo; adems, conecta como apoyo su propuesta anterior a la primera
pregunta de WToledo.
A partir de la observacin anterior, el hilo argumentativo se desarrolla de
tal forma que se establece una estructura enmarcada en una frmula, sobre la
cual se conectan otros hilos adyacentes representados en las participaciones del
grupo. Un primer hilo establece la estructura de la solucin al problema, repre-
sentada en la frmula. Un segundo hilo se articula a travs de la prueba de la
estructura, reemplazando las variables por valores. Un tercer hilo presenta una
solucin al problema, corroborando la estructura. En esta lgica, se puede ver
que la evolucin del proceso de modelacin se desarrolla a partir del plantea-
miento de una ecuacin que se va validando en la medida en que otros hilos
aportan a la construccin de una solucin del caso planteado.
107
Uso de categoras argumentativas y logro acadmico: anlisis de regresin
Para ver el efecto de la representacin argumentativa en la solucin de pro-

blemas sobre el rendimiento acadmico, se hace un anlisis de regresin entre
la participacin de los estudiantes con cada una de las categoras argumenta-
tivas y su rendimiento acadmico, segn la nota de cada uno de los cortes del
semestre (al 30%, al 60% y examen final) (tabla 5).
Tabla 5. Anlisis de regresin con los resultados de la evaluacin del primer corte (30%), como variable de-
pendiente, y el curso y la frecuencia de uso de categoras durante la solucin del primer caso
Anlisis de relaciones estadsticas

Regression Summary for Dependent Variable: Treinta
R = 0,52089945 R = 0,27133624 Adjusted R = 0,22538447
F(7,111) = 5,9048 p<0,00001 Std. Error of estimate: 0,89391
St. Err. St. Err.
Beta of beta Beta of beta t(111) p-level
Intercpt 69,44386 13,86569 5,00832 0,000002
Curso -0,47 0,096695 -0,65916 0,13683 -4,81733 0,000005
Solucin 1 -0,005 0,111696 -0,00758 0,17378 -0,04362 0,965282
Propuesta 1 -0,019 0,103804 -0,01390 0,07521 -0,18482 0,853704
Pregunta 1 -0,033 0,101002 -0,03339 0,10310 -0,32383 0,746676
Frmula 1 0,026 0,087964 0,04301 0,14442 0,29782 0,766395
Explicacin 1 0,150 0,083880 0,15239 0,08541 1,78415 0,077132
Informacin 1 0,031 0,130406 0,01212 0,05087 0,23835 0,812048
El anlisis de regresin mltiple (tabla 6) toma el resultado en la primera

evaluacin como variable dependiente y como variables independientes el cur-
so y la frecuencia de uso de las categoras: propuesta, pregunta, frmula, expli-
cacin e informacin. En el primer caso estudiado por los alumnos (tabla 5), da
un valor de F(7,111) = 5,9048, con p<,00001 y un error estimado de 0,89391.
Los pesos beta, asociados con las variables curso y explicacin, muestran, con
base en la prueba t, un efecto significativo sobre la variable dependiente, no as
el uso de las otras categoras.
Tabla 6. Anlisis de regresin con los resultados de la evaluacin del segundo corte (60%), como variable
dependiente, y el curso, la frecuencia total usada en el primer caso y la frecuencia de uso de categoras du-
rante la solucin del segundo caso
Regression Summary for Dependent Variable: Sesenta

R = 0,41932662 R = 0,17583481 Adjusted R = 0,11589553
St. Err. St. Err.
Intercpt -16,9392 18,37251 -0,92199 0,358554
Curso 0,130805 0,122903 0,1933 0,18158 1,06429 0,289527
Total 1 0,384511 0,103012 0,0777 0,02080 3,73269 0,000302
108
Regression Summary for Dependent Variable: Sesenta

R = 0,41932662 R = 0,17583481 Adjusted R = 0,11589553
St. Err. St. Err.
Solucin 2 0,166310 0,106406 0,1993 0,12749 1,56297 0,120932
Propuesta 2 0,231231 0,109181 0,1176 0,05551 2,11788 0,036438
Pregunta 2 0,099061 0,093177 0,1465 0,13784 1,06315 0,290041
Frmula 2 -0,071075 0,102011 -0,1235 0,17729 -0,69674 0,487436
Explicacin 2 -0,042030 0,098327 -0,0495 0,11591 -0,42745 0,669884
Informacin 2 -0,240485 0,131635 -0,1157 0,06331 -1,82691 0,070424
Para los resultados de la segunda evaluacin (60% del curso), tambin se

aplica el modelo de anlisis de regresin, tomando como variables indepen-
dientes: el curso, la frecuencia total de uso de categoras en el primer caso, y la
frecuencia de las categoras usadas en la solucin del segundo caso (tabla 7).
Los valores F(8,110) = 2,9335, p<0,00522, y el error estimado de 0,99710 (ta-
bla 6), muestran que el modelo explica la varianza de la variable dependiente.
El anlisis de los pesos beta, mediante la prueba t, muestra como variables de
efecto significativo: la frecuencia de uso de categoras en el primer caso y el uso
de la categora propuesta, a diferencia de la primera evaluacin en la cual actu
con mayor fuerza la categora explicacin.
Tabla 7. Anlisis de regresin tomando como variable dependiente la calificacin del examen final. Se toman
como variables independientes el curso, el total de uso de categoras en el primer caso, el total en la solucin
del segundo caso y las frecuencias de cada una de las categoras
Regression Summary for Dependent Variable: Examen final

R = 0,51401779 R = 0,26421429 Adjusted R = 0,20346134
St. Err. St. Err.

Intercpt -96,0652 19,00591 -5,05449 0,000002
Curso 0,609494 0,116509 0,9817 0,18767 5,23130 0,000001
Total 1 0,285137 0,100825 0,0628 0,02220 2,82803 0,005575
Total 2 0,087133 0,089096 0,0217 0,02223 0,97796 0,330260
Solucin 3 0,186144 0,096337 0,1528 0,07909 1,93220 0,055930
Propuesta 3 0,011000 0,108075 0,0055 0,05425 0,10178 0,919120
Pregunta 3 -0,094234 0,100921 -0,1131 0,12112 -0,93374 0,352500
Frmula 3 0,051811 0,090133 0,1262 0,21959 0,57483 0,566589
Explicacin 3 0,167581 0,093734 0,1834 0,10256 1,78784 0,076580
Informacin 3 -0,024082 0,139493 -0,0097 0,05608 -0,17264 0,863253
109
Entonces se obtiene el modelo de regresin aplicado a los resultados en

el examen final, usando como variables independientes el curso, la frecuen-
cia total de uso de categoras en el primero y segundo caso, y la frecuencia
de categoras en la solucin del tercer caso. Nuevamente, el modelo de re-
gresin da valores que muestran que hay un impacto sobre la variable de-
pendiente (tabla 8). Los valores F(9,109) = 4,3490, p<0,00007, y el error
estimado de 1,0318 (tabla 7), muestran este efecto. Las variables curso y
uso de categoras en el caso 1 (total 1) son las variables de efecto significa-
tivo. Las frecuencias de las categoras solucin y explicacin tienen un valor
cercano al nivel de significacin.
Tabla 8. Correlacin entre uso de categoras y los resultados en las tres evaluaciones. Los valores son signi-
ficativos cuando, con el valor p<0,05, el nmero de casos vlidos es de 119. El curso de Dinmica de Siste-
mas no us la categora informacin
Treinta Sesenta Examen final
Solucin 1 0,20 0,35 -0,10
Propuesta 1 0,23 0,14 -0,10
Pregunta 1 0,12 0,16 0,01
Frmula 1 0,15 0,03 0,07
Explicacin 1 0,24 0,14 -0,03
Informacin 1 0,26 0,26 -0,00
Solucin 2 0,08 0,06 -0,03
Propuesta 2 0,23 0,13 0,12
Pregunta 2 -0,05 0,11 0,19
Frmula 2 0,15 0,02 0,10
Explicacin 2 -0,08 -0,04 0,09
Informacin 2 0,27 -0,07 -0,25
Solucin 3 0,17 0,10 0,11
Propuesta 3 0,09 0,22 0,00
Pregunta 3 -0,01 0,08 0,09
Frmula 3 0,06 0,07 0,03
Explicacin 3 0,07 0,14 0,08
Informacin 3 0,36 0,20 -0,13
La tabla 8 muestra la correlacin entre el uso de categoras y los resultados

en las evaluaciones. En conjunto, el desarrollo del primer caso es el que ms
impacto tiene en los resultados de las evaluaciones. El de menor efecto es el
tercer caso. El uso de informacin y la presentacin de propuestas aparecen
como las categoras ms influyentes en el aprendizaje.
110
Discusin y conclusiones
Uso de categoras ontolgicas
En la solucin de problemas de forma verbal utilizando categoras ontol-

gicas, se presentan los casos extremos en la frecuencia de uso, por ejemplo pro-
puesta tiene una frecuencia alta de uso y explicacin tiene una frecuencia muy
baja de uso. Una explicacin que se puede dar a este hecho es la diferencia en
el peso cognitivo en el uso de cada una de stas. Para la elaboracin de una pro-
puesta, es suficiente que el estudiante tenga la representacin mental del caso,
mientras que para la elaboracin de una explicacin el estudiante debe tener
la representacin mental del caso, la intervencin propia o de otro compaero,
la cual se va a explicar y el conocimiento que se utilizar para tal fin (figura 2).
Representacin Contenido Representacin Contenido

del problema de memoria del problema de memoria
Contenido de la
intervencin previa
Propuesta Explicacin
(a) (b)
Figura 2. Representacin de los procesos mentales para generar las participaciones Propuesta y Explicacin
De los resultados encontrados se tiene que la frecuencia de uso de cate-

goras ontolgicas depende del curso y ms exactamente del dominio de co-
nocimiento y del tipo de problema, sin embargo se hace necesario disear un
sistema de monitoreo que est orientado a dinamizar el uso de las categoras
de menor frecuencia de uso, e incluso a revisar la definicin de las categoras
con el fin de lograr disminuir el solapamiento entre ellas y reducirlas en nme-
ro para evitar la sobrecarga cognitiva.
Anlisis relacional
En la red social planteada por el ambiente Argunaut cada estudiante se

puede comunicar con sus compaeros a partir de tres relaciones: conexin neu-
tra, apoyo y oposicin. En este sentido se pueden identificar en un mapa ar-
gumentativo tres subredes: red de conexiones neutras, red de conexiones de
oposicin y red de conexiones de apoyo. El significado de cada una de ellas es
111
diferente. En la primera (enlaces negros), las conexiones se hacen para enlazar

ideas sin la intencin particular de apoyarlas u oponerse a ellas. En la segunda
(flechas verdes), la intencionalidad es la de apoyar una idea previa, de mane-
ra que el sentido de la flechas es fundamental y por esto se requiere distinguir
entre nmero de enlaces de entrada, o lo que se conoce en el Anlisis de Redes
Sociales (ARS) como grado de entrada, y el grado de salida, pues el papel que
ellos juegan dentro de la red es distinto. En la tercera (flechas rojas), hay una
intencin de oposicin; se manifiesta explcitamente el no estar de acuerdo con
las ideas expuestas por otros. En el anlisis que se hizo se encontr que los es-
tudiantes son ms dados a generar relaciones de comunicacin de tipo neutro,
es decir, no se comprometen ni apoyando, ni controvirtiendo una intervencin
previa de un compaero. Al igual que en el uso de categoras ontolgicas, en
este punto se hace necesario del diseo de un monitoreo cuya intencin u ob-
jetivo es activar el uso de relaciones tanto de apoyo como de oposicin, para
incentivar los procesos argumentativos que soporten la posicin individual en
contra o a favor de algn planteamiento. Una interpretacin plausible conside-
ra que cuando el nivel de construccin de conocimiento est en sus primeras
etapas de maduracin, la sensacin subjetiva de seguridad es baja y por tanto
no se tiene la capacidad de generar posiciones crticas frente a sus pares. En el
modelo pedaggico usado en el proyecto, el proceso argumentativo tiene el ca-
rcter de exploracin de la solucin del problema y es seguido por un proceso
de representacin algebraica, otro de diagramacin y uno de simulacin com-
putacional. Es muy probable que en etapas ms avanzadas, la caracterizacin
de las participaciones con base en el uso de relaciones y de categoras fuera di-
ferente o que si se cambia el orden de las representaciones suceda algo similar.
Anlisis de clster
En el anlisis de clster se identificaron los ncleos de construccin colabo-

rativa de conocimiento. En los cuatro grupos que participaron en la experien-
cia se pueden identificar regularidades que permiten determinar momentos en
la solucin verbal de un caso relacionado con el modelamiento matemtico. En
el momento 1 se hace una discusin para tener una representacin comparti-
da del problema, como producto de este momento se tiene la identificacin de
datos y variables que intervienen en el problema. En el momento 2, los estu-
diantes plantean casos particulares del caso para identificar relaciones entre las
variables. Como producto de este momento se tiene la propuesta de un mode-
lo. En el momento 3, el final del proceso de solucin del caso, la discusin se
hace alrededor del modelo planteado como solucin, sobre la validez, alcances
y limitaciones del mismo. Como producto de este momento se tiene un mode-
lo ms depurado y la prueba del mismo.
112
Anlisis estadstico
El anlisis de regresin realizadomuestra que la sesin de trabajo que ms in-

cide en el desempeo acadmico es la primera, esta tiene un efecto significativo
tanto en la nota del segundo como del tercer corte del semestre (tabla 9). Una po-
sible explicacin al fenmeno puede ser la relacin que existe entre los temas apli-
cados en el primer caso y los desarrollados tanto en el segundo como tercer corte.
Tabla 9. Relaciones significativas a lo largo del proceso
Treinta Sesenta Examen final
Explicacin 1 0,077132
Total 1 0,000302 0,005575
Propuesta 2 0,036438
Curso 0,000005 0,000001
Las categoras que muestran una relacin significativa entre la frecuencia

de su uso y el desempeo acadmico son explicacin y propuesta. Esto he-
cho sugiere que en este tipo de ambientes de aprendizaje se deben implemen-
tar estrategias que dinamicen el uso de las mismas. Otra variable que incide
significativamente en el desempeo acadmico es el curso; este hecho posible-
mente tambin tenga que ver con el dominio de conocimiento que se desarro-
lla en cada uno de los cursos.
Referencias
Alberts, S., Garstka, R., Hayes, R. y Signori, D. (2001). Understanding In-
formation Age. Warfare, Command and Control Research Program
(CCRP) Publication.
Clark, H. H.(2002). Conversation, Structure of. En L. Nadel (ed.).Enyclope-

dia of Cognitive Science. Basingstoke, England: MacMillan.
Collins, A., Brown S. y Newman S. E. (1989). Cognitive apprenticeship: Tea-

ching the crafts of reading, writing and mathematics. En L. B. Resnick
(ed.), Knowing, Learning and Instruction: Essays in the honor of Robert
Glaser.
Dillenbourg, P. (1999). Collaborative Learning: Cognitive and Computational

Approaches. Advances in Learning and Instruction Series. New York,
NY: Elsevier Science, Inc.
113
Dillenbourg, P., Schneider, D. y Synteta, V. (2002) Virtual Learning Environ-

ments, Proceedings of the 3rd Congress on ICT in education, Rhodes.
Greece: Kastaniotis Editions.
Gruber, T. (1993). Toward Principles for the Design of Ontologies Used for
Knowledge. Sharing, International Workshop on Formal Ontology in
Conceptual Analysis and Knowledge Representation, Padova, LAD-
SEB-CNR Int. Rep. 01/93. Hillsdale. N.: Lawrence Erlba um Asso-
ciates.
Guarino, N. (1992). Concepts, Attributes and Arbitrary Relations: Some Lin-

guistic and Ontological Criteria for Structuring Knowledge Bases. Data
y Knowledge Engineering, 8: 249-261.
Guarino, N. (1998). Formal Ontology in Information Systems. Proceedings of

FOIS98. Trento, Italy. Amsterdam: IOC Press, pp. 3-15.
Jonassen, D. H. (2006). Modeling with Technology: Mindtools for Concep-

tual Change. Columbus, Ohio: Pearson Prentice Hall.
Maldonado, L. F. (2013). La espiral del modelamiento y la formacin de esta

competencia con apoyo de ambientes digitales. Sexto Encuentro Na-
cional y Segundo Regional de Experiencias Curriculares y de Aula en
Educacin en Tecnologa e Informtica: la Transversalidad e Interdisci-
plinariedad de la Tecnologa. Pasto, Colombia.
Noble, D. y Letsky, M. (2005). Cognitive-Based Metrics to Evaluate Colla-

boration Effectiveness.Defense Technical Information Center, pp. 1-14.
Weggeman, M. (1997). Kennismanagement. Inrichting en besturing van ken-

nisintensieveorganisaties. Scriptium, Schiedam.
114
Captulo 6
La representacin algebraica
en la formacin de competencias
de modelamiento matemtico
Jaime Ibez Ibez*

Miguel A. Pachn Higuera**
Orlando Muoz***
Introduccin
A continuacin describimos la experiencia del proceso de modelacin ma-

temtica con estudiantes de ingeniera, a partir de la presentacin de ca-
sos en los cuales se requiere modelar algebraicamente la situacin presentada
para encontrarle una solucin. Como apoyo al proceso se utiliz el programa
Derive, con el cual los estudiantes plasmaban la representacin algebraica del
caso y desarrollan el proceso de solucin. Se presenta tambin una concep-
tualizacin sobre la modelacin matemtica y los resultados de la experiencia.
Antecedentes
Importancia de los modelos matemticos
Se concibe como modelo matemtico a la representacin de algn aspecto de

la realidad por medio de expresiones algebraicas. Tpicamente se consideran los
* M. Sc. y profesor investigador de la Universidad Pedaggica Nacional. Grupo de investigacin

Cognitek. Correo electrnico: jaimei78@yahoo.com
** M. Sc. y profesor investigador de la Universidad Central. Grupo de investigacin Tecnimat.
Correo electrnico: mpachonh@ucentral.edu.co
*** Ingeniero y profesor investigador de la Universitaria de Investigacin y Desarrollo (UDI).
Grupo de investigacin Gidsaw. Correo electrnico: orlandomunoz9357@gmail.com
115
La representacin algebraica en la formacin de competencias de modelamiento matemtico
elementos de la realidad modelada y sus relaciones. Un modelo matemtico es

la simplificacin por medio de expresiones matemticas de un objeto o fenme-
no de la realidad, externo al campo de las matemticas, lo cual significa describir
en lenguaje matemtico una realidad que existe en un mundo no matemtico.
La riqueza de un modelo, ya sea en economa, o en cualquier rama de las

ciencias, radica en la posibilidad de estudiar tericamente fenmenos de cual-
quier ndole, ya sean factibles o no de ser recreados en laboratorio para su estu-
dio. El xito del modelo radica en la exactitud con la cual se pueda representar
el objeto o fenmeno que se estudia.
Para Gerda de Vries, (2001), la modelacin matemtica es el uso de las

matemticas para describir fenmenos del mundo real, con el fin de inquirir
aspectos importantes, explicar fenmenos relacionados, probar ideas, o hacer
predicciones. En consecuencia, le permite a las disciplinas como ingeniera, f-
sica, fisiologa, ecologa, etc. tener un mejor conocimiento de su objeto de es-
tudio. En vez de realizar prcticas en el mundo real, un experto puede llevar a
cabo comprobaciones con representaciones matemticas; se parte de datos para
la formulacin del modelo, el cual se analiza para establecer conclusiones ma-
temticas, las cuales se interpretan mediante predicciones que se prueban con
datos reales (figura 1). Con la recoleccin de datos se busca la informacin rele-
vante y fundamental para entender el problema. Se identifican variables, cons-
tantes y relaciones entre ellas, como insumos para la formulacin del modelo.
Neumaier (2003), plantea que para la formulacin se debe comenzar con mo-
delos simples, para ir agregando los datos que se consideren necesarios. Se inicia
con la identificacin de las variables, las constantes y las relaciones importantes
que se descubran entre ellas. Esto permite conectarlas mediante operadores mate-
mticos para establecer ecuaciones, desigualdades, funciones, matrices o series de
nmeros, e ir agregando elementos de tal forma que se logre describir matemti-
camente el objeto a modelar.
Regalado, Peralta y Gonzlez
(2008), consideran tres formas de
llegar a un modelo matemtico: la
primera, utilizar una teora acepta-
da por la ciencia sobre el objeto a
representar; la segunda, construir
las expresiones algebraicas a partir
de la observacin directa de los fe-
Figura. 1. Proceso de elaboracin de modelos matemticos
de Gerda de Vries, (2001) nmenos que se modelan; y la ter-
116
Jaime Ibez I., Miguel A. Pachn H., Orlando Muoz
cera, utilizar ecuaciones que describan un sistema anlogo para derivar de ellas
expresiones algebraicas.
Una vez elaborado el modelo matemtico, este se somete a un anlisis rigu-
roso, para establecer las condiciones en que funciona. En este proceso es im-
portante determinar los lmites y restricciones tanto de tipo cualitativo como
cuantitativo, para evitar interpretaciones inadecuadas (Neumaier, 2003). Para
perfeccionar el modelo, es importante analizar los signos de variables, constan-
tes y datos, e identificar casos extremos. Esto ayuda, no solo a descubrir casos
interesantes, sino tambin a detectar errores.
La aplicacin del modelo en datos reales permite establecer conclusiones
matemticas, es decir, resultados en lenguaje matemtico. Esto conduce a la
comprensin amplia del fenmeno que se estudia y a hacer predicciones sobre
su comportamiento futuro. Estos resultados se validan comparndolos nueva-
mente con datos reales, con lo cual se pone a prueba el modelo.
Modelacin matemtica y la solucin de problemas
La construccin de un modelo matemtico para la solucin de un pro-

blema implica la transferencia del conocimiento matemtico a los contextos
planteados en los enunciados. Camarena (2009) plantea que la matemtica
en ingeniera es un lenguaje, ya que casi todo lo que se dice en esta rea se re-
presenta con la simbologa matemtica. De ah la importancia de formar a los
estudiantes en la solucin de problemas con habilidades para un mejor des-
empeo profesional mediante el uso de las posibilidades de la matemtica.
Camarena tambin seala tres momentos en la modelacin matemtica: iden-
tificar variables y constantes del problema, establecer relaciones y validar la re-
lacin matemtica que modela al problema. Esto implica extraer del contexto
del problema los conceptos que explcita o implcitamente intervienen en el
problema, las caractersticas del problema que varan y las que son constantes;
identificar los datos iniciales o conocidos del problema y los desconocidos o
los interrogantes, que constituyen la solucin al problema. Adems, establecer
relaciones entre los conceptos involucrados en el problema constituye la base
para construir o identificar los modelos matemticos, que se expresan median-
te frmulas o expresiones algebraicas
Una vez identificados los datos, las variables, los interrogantes y los modelos o
frmulas que debe usar, el estudiante debe dar una serie de pasos u operadores para
pasar del estado inicial del problema al estado final para encontrar las soluciones
respectivas. El tercer momento al que se refiere Camarena (2009), implica volver a
los datos e incgnitas para verificarlos.
117
Lpez Gmez (2012), basado en Gmez (2002) GarcaRaffi (2004) y

Snchez et l. (1999), expresan que la modelacin matemtica se puede apli-
car en el aula bajo un esquema relativamente sencillo. Se parte de un caso
real, en un contexto y se rea-
Simplificacin (1) Situacin del mundo real liza un proceso de simplifica-
cin basado en la ciencia a la
cual se hace referencia (fsi-
Planteamiento del problema ca, qumica, biologa, ciencias
en trminos tcnicos sociales). Se conduce el plan-
teamiento del caso en trmi-
nos matemticos y se culmina
Modelizacin: proceso con la formulacin del mo-
de formulacin en trminos
Traduccin (2)
matemticos
delo (en trminos de ecua-
Comparacin (4) ciones, formas geomtricas,
desigualdades, etc.) que des-
Modelo Matemtico: cribe de la forma ms real po-
Expresin matemtica sible el problema en cuestin.
que presenta la situacin Segn Lpez Gmez (2012),
Aplicacin
Mtodos el paso siguiente y ms im-
Matemticos (3) portante es la resolucin del
Resolucin problema matemtico. Luego
se procede a la interpretacin
con base en casos reales, con
Interpretacin el fin de validar su capacidad
Figura 2. Proceso para la didctica de la modelacin matem-
predictiva.
tica (Lpez Gmez, 2012)
Metodologa
Formulacin de los casos
Como se mencion antes, los estudiantes trabajaron de forma colaborativa

en el abordaje de casos, los cuales consisten en una situacin de contexto, y una
pregunta final cuya resolucin requera un proceso de modelamiento matem-
tico, conformado por expresiones algebraicas, ecuaciones simples o ecuaciones
diferenciales. Los casos se entregan a los estudiantes con anticipacin a la se-
sin de trabajo (figura 3), mediante documentos con la siguiente estructura:
Informacin general de la actividad. En esta seccin del documento se
especifican los detalles ms generales del caso: nombre del caso, asigna-
tura en la que se aplica el caso, temtica del contenido programtico de
118
la asignatura que est relacionada con el caso, fecha de la sesin y dura-

cin estimada de la misma.
Competencias que se espera que el estudiante desarrolle. Se listan las
competencias mnimas que se espera que los estudiantes adquieran me-
diante el desarrollo del caso durante la sesin.
Plan de trabajo. Se describen los momentos en los que se divide la sesin
y la duracin de cada uno; a saber:
Primer momento. Lectura del planteamiento del caso
Segundo momento. Desarrollo del caso utilizando el software MatLab
Tercer momento. Revisin del proceso y solucin del caso por parte
del docente
Cuarto momento. Autoevaluacin (logros, dificultades, sugerencias
y conclusin)
Quinto momento. Transferencia a otros contextos del problema
Contexto del caso de aplicacin. Se describe la situacin de la vida coti-
diana en la que se enmarca el problema que debe solucionarse en el caso.
Figura 3. Ejemplo de caso presentado a los estudiantes
119
Problema. Se enuncia la particularidad en la que el caso tiene lugar, as

como las preguntas que deben ser contestadas por el estudiante.
Informacin adicional. Se ofrece informacin adicional sobre el con-
texto del problema, que es til para la solucin del problema propuesto.
Transferencia de la solucin. Se listan uno o ms cuestionamientos refe-
rentes a la temtica del caso. Estos pretenden que el estudiante analice
cmo la solucin o simulacin desarrollada en la sesin podra usarse en
otros contextos de aplicacin.
Solucin propuesta. Se plantea la solucin computacional que el docen-
te propone para el problema.
Plantilla de anlisis
En el proceso de solucin del caso el estudiante debe identificar datos y va-

riables, encontrar el modelo matemtico apropiado, confrontar los datos que
suministra el modelo con los datos reales e interpretar los resultados. Para el
anlisis de las soluciones de los casos presentados por los estudiantes se tuvie-
ron en cuenta las siguientes variables:
Variables identificadas. Corresponde al nmero de variables que intervie-
nen en el problema y que los estudiantes identificaron.
Nmero de datos identificados. Corresponde a los datos que se proporcio-
nan en el problema y que los estudiantes identificaron correctamente.
Frmulas usadas correctamente. Corresponde a las frmulas que los estu-
diantes usaron en forma adecuada para la solucin del problema.
Preguntas identif icadas. Corresponde a los interrogantes que, de acuer-
do con el enunciado del problema, el estudiante identific y debe res-
ponder.
Pasos correctos. Esta variable indica el nmero de pasos que el estudiante
dio y que constituyen un avance en la reduccin del espacio del proble-
ma o que conducen a la solucin del mismo.
Soluciones encontradas. Indica el nmero de respuestas correctas.
Eventos correctos. Son las variables identificadas ms el nmero de datos
identificados, las frmulas usadas correctamente, las preguntas identifi-
cadas, los pasos correctos y las soluciones encontradas.
Total eventos. Comprende el total de variables intervinientes, el nmero
de datos dados en la formulacin del problema, las frmulas requeridas
120
para la solucin, el nmero de preguntas enunciadas, los pasos requeri-

dos y el nmero de soluciones que se deben encontrar.
Eficacia. Es el ndice de desempeo del estudiante. Se calcula a partir
del cociente entre las suma de los anteriores indicadores y el total de
eventos que se requieren para la solucin del problema (a juicio del ex-
perto o docente). Se calcula a partir de la siguiente frmula: Eficacia =
eventos correctos/total de eventos.
Respecto al logro acadmico se tuvieron en cuenta las notas del primer y
del segundo treinta por ciento, el promedio de las anteriores, la nota del exa-
men final que tiene un peso del cuarenta por ciento y la nota definitiva. Es-
tas variables fueron correlacionadas entre s, para determinar la posible relacin
entre ellas. Aunque esto no implica una relacin de causa-efecto, esto puede
suponerse dependiendo del orden de las variables comparadas.
Ejecucin de los casos en la Universidad Central
En las sesiones de trabajo los estudiantes contaban con herramientas in-

formticas para realizar su trabajo. En los cursos de la Universidad Central se
utiliz el software Derive, que ofrece opciones de edicin de expresiones ma-
temticas y de resolucin de las mismas.
Matemticas III
En la asignatura de Matemticas III, correspondiente a Ecuaciones Di-
ferenciales, se tomaron dos grupos experimentales, cada uno con un profesor
diferente. Estos grupos trabajaron con base en dos casos, denominados Pobla-
cin colombiana y Salto con Bungee Jumping, respectivamente.
Caso Poblacin colombiana
Jornada diurna. Todos los estudiantes identificaron las variables y los datos
del caso. En trminos generales los estudiantes plantearon una ecuacin dife-
rencial y encontraron la solucin general por el mtodo de separacin de va-
riables. Para encontrar la solucin particular, utilizaron tres de los dieciocho
datos para construir un sistema de tres ecuaciones y tres incgnitas para hallar
las constantes M, K y C, y as obtener una frmula de la poblacin colombia-
na en funcin del tiempo. Sin embargo, no verificaron si el modelo obtenido
representaba de alguna manera a la poblacin colombiana; solo encontraron la
solucin de la ecuacin diferencial y no interpretaron el resultado. nicamente
un estudiante compar el modelo con datos reales e interpret los resultados,
obteniendo as una solucin a la pregunta planteada.
121
Jornada nocturna. Todos los estudiantes identificaron las variables y los da-
tos del caso. En trminos generales los estudiantes utilizaron tres de los diecio-
cho datos para construir, a partir de la solucin de la ecuacin diferencial, un
sistema de tres ecuaciones y tres incgnitas para encontrar las constantes M, K
y C y as obtener una frmula de la poblacin colombiana en funcin del tiem-
po. A diferencia del grupo de la jornada diurna, los estudiantes encontraron la
solucin de la ecuacin diferencial sin utilizar Derive; las constantes M, K y C
las obtuvieron resolviendo ecuaciones con la herramienta algebraica Derive y
verificaron si el modelo obtenido representaba de alguna manera la poblacin
comprobando algunos datos dados inicialmente.
Caso Salto con Bungee Jumping
Jornada diurna. El 100% de los estudiantes logr identificar las variables y
los datos del problema, as como el modelo matemtico con las mismas carac-
tersticas que un sistema de resorte-masa sin fuerza exterior que acta sobre el
sistema y la ecuacin diferencial lineal homognea y de segundo orden. El 33%
de los estudiantes aplic la ecuacin caracterstica para encontrar la solucin
general. El 19% de los estudiantes utiliz los datos iniciales para encontrar la
solucin del problema con valores iniciales; sin embargo, todas las respuestas
tienen un error en la interpretacin de un dato inicial. El 38% de los estudian-
tes grafic la solucin de la ecuacin diferencial y resolvi dos de las preguntas
planteadas. El 10% de los estudiantes no logr resolver la ecuacin diferencial.
Jornada nocturna. Todos los estudiantes identificaron las variables, los da-
tos del problema y el modelo matemtico con las mismas caractersticas que un
sistema de resorte-masa sin fuerza exterior que acta sobre el sistema e identi-
ficaron la ecuacin diferencial como lineal homognea y de segundo orden. El
36% de los estudiantes aplic la ecuacin caracterstica para encontrar la solu-
cin general. El 36% de los estudiantes utiliz los datos iniciales para encon-
trar la solucin del problema con valores iniciales. El 28% de los estudiantes no
logr resolver la ecuacin diferencial. Ningn estudiante grafic la solucin ni
interpret los resultados para contestar las preguntas planteadas.
La tabla 1 muestra un resumen de las diferentes correlaciones entre los
componentes de la plantilla de evaluacin y las notas obtenidas por los estu-
diantes en los tres cortes del semestre. En cada celda se muestran los valores
correspondientes a los casos 1 y 2, junto con el total de los dos casos. Solo se
muestran los valores de correlacin que pueden tener alguna interpretacin.
Algunos de los espacios que aparecen en blanco corresponden a los aspectos
en los cuales no se present variacin.
Con respecto a las notas, la tabla muestra valores de correlaciones fuertes
entre la nota alcanzada en el examen final con las variables Pasos correctos,
122
Tabla 1. Valores de la probabilidad de error (p) resaltando los valores de p<0,05, para los casos 1 y 2, y para el total que se obtienen al juntar los dos casos, en el curso de Matemticas III
de la Universidad Central
Frmulas
Nota Examen Promedio al Segundo Primer Variables Datos Preguntas Pasos
MATEMTICAS Casos usadas
definitiva (40%) 60% 30% 30% identificadas identificados identificadas correctos
correctamente
Caso 1 0,841 0,221 0,456 0,755 0,310
Variables
Caso 2 0,736 0,814 0,707 0,522 0,919
identificadas
Total 0,770 0,372 0,704 0,948 0,423
Caso 1 0,324 0,787 0,181 0,453 0,110 0,796
Datos
Caso 2 . . . . . .
identificados
Total 0,346 0,849 0,146 0,445 0,068 0,764
Caso 1 0,881 0,671 0,893 0,926 0,887 0,597 0,939
Frmulas
usadas Caso 2 0,962 0,731 0,793 0,774 0,882 0,000 .
correctamente
Total 0,620 0,389 1,000 0,951 0,940 0,033 0,154
Caso 1 . . . . . . . .
Preguntas
Caso 2 0,853 0,271 0,141 0,337 0,084 0,434 . 0,251
identificadas
Total 0,509 0,446 0,049 0,114 0,080 0,128 0,780 0,154
Caso 1 0,565 0,110 0,640 0,974 0,408 0,000 0,026 0,028 .
Pasos correctos Caso 2 0,152 0,011 0,924 0,576 0,567 0,021 . 0,079 0,000
Total 0,173 0,014 1,000 0,721 0,663 0,001 0,108 0,064 0,001
Caso 1 . . . . . . . . . .
Soluciones
Caso 2 0,413 0,055 0,677 0,858 0,538 0,004 . 0,024 0,000 0,000
encontradas
Total 0,369 0,043 0,692 0,820 0,637 0,066 0,933 0,046 0,000 0,000
Caso 1 0,478 0,156 0,916 0,981 0,824
Eficacia Caso 2 0,374 0,047 0,725 0,959 0,424
Total 0,266 0,043 0,970 0,867 0,782
Fuente: elaboracin propia.
123
124
Tabla 2. Valores de la probabilidad de error (p) resaltando los valores de p<0,05, para los casos 1 y 2, y para el total que se obtiene al juntar los dos casos, en el curso de Modelamiento y
Simulacin de la Universidad Central
Frmulas
MODELAMIENTO Y Examen Promedio al Segundo Variables Datos Preguntas Pasos
Casos Definitiva Primer 30% usadas
SIMULACIN (40%) 60% 30% identificadas identificados identificadas correctos
correctamente
Caso 1 0,010 0,117 0,082 0,074 0,653

Variables
Caso 2 0,410 0,458 0,594 0,527 0,001
Identificadas
Total 0,096 0,765 0,053 0,545 0,000
Caso 1 0,007 0,211 0,031 0,030 0,559 0,000
Datos identificados Caso 2 0,584 0,682 0,254 0,662 0,082 0,001
Total 0,148 0,631 0,011 0,136 0,013 0,004
Caso 1 0,063 0,228 0,191 0,528 0,088 0,001 0,000
Frmulas usadas
Caso 2 0,257 0,849 0,062 0,155 0,266 0,187 0,083
correctamente
Total 0,015 0,635 0,005 0,088 0,012 0,046 0,075
Caso 1 0,224 0,311 0,475 0,198 0,427 0,000 0,003 0,218
Preguntas
Caso 2 0,208 0,860 0,038 0,133 0,184 0,177 0,076 0,000
identificadas
Total 0,845 0,358 0,625 0,925 0,188 0,462 0,435 0,083
Caso 1 0,085 0,255 0,227 0,705 0,038 0,005 0,004 0,000 0,560
Pasos correctos Caso 2 0,323 0,705 0,068 0,181 0,230 0,099 0,027 0,000 0,000
Total 0,065 0,903 0,015 0,170 0,012 0,070 0,137 0,000 0,013
Caso 1 0,030 0,289 0,073 0,323 0,042 0,011 0,001 0,000 0,868 0,000
Soluciones
Caso 2 0,257 0,849 0,062 0,155 0,266 0,138 0,050 0,005 0,000 0,000
encontradas
Total 0,026 0,596 0,014 0,133 0,025 0,075 0,179 0,000 0,036 0,000
Caso 1 0,098 0,412 0,160 0,596 0,026
Eficacia Caso 2 0,253 0,456 0,020 0,176 0,018
Total 0,094 0,904 0,014 0,214 0,003

Soluciones encontradas y Eficacia, en el caso 2 y en total que hace referen-

cia a la suma de los dos casos. El puntaje en identificacin de variables, pre-
senta valores significativos de correlacin con frmulas usadas correctamente,
pasos correctos y soluciones encontradas, en todos los casos. Las variables da-
tos identificados correlaciona con pasos correctos en el primer caso. Formulas
usadas correctamente correlacionan positivamente con los pasos correctos en
el caso 1 y las soluciones encontradas en el caso 2 y el total. Preguntas identifi-
cadas correlaciona positivamente con los pasos correctos para el caso 2 y total
y con las soluciones encontradas para el caso 2 y total.
Finalmente se observa en la tabla que la variable pasos correctos correlacio-
na fuertemente con soluciones encontradas.
Modelamiento y simulacin
En esta asignatura particip un grupo experimental. Se trabaj con base en

dos casos denominados Poblacin Colombiana y Semforo.
En la tabla 2 se observa una correlacin significativa entre la nota defini-
tiva del curso de modelacin con Variables Identificadas para el caso 1, Datos
identificados para el caso 1, Formulas usadas Correctamente para el total, So-
luciones encontradas (caso 1 y total).
El promedio del 60% muestra valores de correlacin significativos con Va-
riables Identificadas para el total, con Datos identificados para el caso 1 y total,
con frmulas usadas correctamente para el total, preguntas identificadas para
el caso 2, con pasos correctos para el total, Soluciones encontradas para total y
Eficacia para el caso 2 y total.
La nota del segundo 30% muestra valores de correlacin significativos con
datos identificados para el caso 1. La nota del primer 30% muestra valores de
correlacin significativos con Variables Identificadas en el caso 2 y total, datos
identificados en el total, formulas usadas correctamente para el total, pasos co-
rrectos para el caso 1 y total, con soluciones encontradas para el caso 1 y total
y con eficacia en todos.
El nmero de variables identificadas correlaciona con Datos identificados (to-
dos), Formulas usadas Correctamente en el caso 1 y el total, Preguntas identificadas
para el caso 1, Pasos correctos para el caso 1, Soluciones encontradas en el caso 1.
El nmero de datos identificados correlaciona con frmulas usadas correc-
tamente en el caso 1, con preguntas identificadas en el caso 1, con pasos co-
rrectos para los casos 1 y 2, con soluciones encontradas para los casos 1 y 2.
El uso de frmulas adecuadas correlaciona con preguntas identificadas (ca-
sos 1), pasos correctos (todos), soluciones encontradas (todos).
125
Ejecucin de los casos en la Universitaria de Investigacin y Desarrollo
En el curso de Matemticas III se utiliz como software de soporte Derive.

Para Dinmica de Sistemas, que es el curso que corresponde a Modelamien-
to y Simulacin en la UDI, se utiliz la plataforma de trabajo Google Drive.
Matemticas III
Se trabajaron exactamente los mismos casos de la Universidad Central:

Poblacin colombiana y Bungee Jumping. La tabla 3 muestra los valores p
para las correlaciones entre las variables independientes y las notas obtenidas
por los estudiantes en cada uno de los exmenes parciales a lo largo del semes-
tre. Aunque ninguno de los valores alcanza el nivel de significancia que se suele
tener como referencia (p<0,05), s hay una tendencia consistente a una corre-
lacin ms significativa con las notas del parcial 3, cuyos valores p son todos
menores en comparacin con los dos parciales anteriores.
Tabla 3. Valores de la probabilidad de error (p) , para los casos 1 y 2, y para el total que se obtienen al juntar los dos
casos, en el curso de Matemticas III de la Universitaria de Investigacin y Desarrollo (UDI)
Matemticas III UDI Nota Parcial 1 Nota Parcial 2 Nota Parcial 3
Variables Caso 1 0,637 0,957 0,187

identificadas
Caso 2 0,615 0,473 0,148
Total 0,556 0,666 0,091
Datos identificados Caso 1 0,555 0,902 0,177
Caso 2 0,693 0,546 0,129
Total 0,601 0,630 0,082
Frmulas Caso 1 0,637 0,957 0,187
identificadas
Caso 2 0,802 0,278 0,265
Total 0,651 0,532 0,126
Preguntas Caso 1 0,518 0,873 0,180
identificadas
Caso 2 0,608 0,659 0,100
Total 0,512 0,754 0,063
Pasos correctos Caso 1 0,595 0,928 0,191
Caso 2 0,608 0,659 0,100
Total 0,547 0,731 0,069
Indicador Caso 1 0,595 0,928 0,191
de eficacia
Caso 2 0,608 0,659 0,100
Total 0,471 0,831 0,115
126
Dinmica de Sistemas
Se trabajaron dos casos denominados Computacin en la nube y Papel

o plstico.
Tabla 4. Valores de la probabilidad de error (p) , para los casos 1 y 2, y para el total que se obtienen al juntar los dos
casos, en el curso de Dinmica de Sistemas de la Universitaria de Investigacin y Desarrollo (UDI)
Dinmica de Sistemas UDI Nota Parcial 1 Nota Parcial 2 Nota Parcial 3
Variables Caso 1 0,087436109 0,773013977 0,00311529

identificadas
Caso 2 0,156255957 0,148017933 0,508922026
Total 0,860214666 0,364835267 0,103207512
Datos identificados Caso 1 0,713630027 0,345561502 0,532021213
Caso 2 0,133188692 0,186009014 0,665390662
Total 0,293606806 0,567663038 0,992515341
Frmulas Caso 1 0,987238916 0,086799646 0,215792137

identificadas
Caso 2 0,05376413 0,277589499 0,458767751
Total 0,202305191 0,387071952 0,507455829
Indicador de eficacia Caso 1 0,239675848 0,400405209 0,016252822
Caso 2 0,121564794 0,17266877 0,521301211
Total 0,828543127 0,726563151 0,155969068
De forma similar a como sucedi con el curso de Matemticas III en la

UDI, en el caso de Dinmica de Sistemas solo Variables identificadas e In-
dicador de eficacia en el caso 1 presentan una correlacin significativa al 95%
(-p<0,05) con la nota del parcial 3. Para la suma de los casos, aunque el nivel
de significancia no llega al 95%, es notoriamente mejor que con el resto de los
elementos de la matriz.
Conclusiones
En cuanto a lo observado en los anlisis de datos de la Universidad Central,
los resultados muestran claramente la importancia de comprender el enunciado
del problema, lo que se ve reflejado en la correlacin presentada entre la identi-
ficacin del problema con las frmulas usadas correctamente, los pasos correctos
y las soluciones encontradas para el caso de matemticas y con todas las dems
variables, incluyendo la nota definitiva, para el caso del curso de modelamiento.
Se aclara que con la eficacia no se calcul puesto que es uno de sus componentes.
127
Este hecho se ve reforzado por la correlacin encontrada entre la identifi-

cacin de los datos y los pasos correctos, en el curso de matemticas, y con los
datos identificados, las frmulas usadas correctamente, las preguntas identifi-
cadas, los pasos correctos, las soluciones encontradas con las notas obtenidas.
Otra variable que es un indicio de la comprensin del problema es la iden-

tificacin de las preguntas, variable que se correlaciona positivamente con los
pasos correctos, las soluciones halladas y con las notas obtenidas, tanto en el
curso de matemticas como en el de modelacin.
La identificacin de variables, datos y preguntas se constituye en buen pre-

dictor del xito en la solucin del problema y, por consiguiente, en las notas
alcanzadas, lo que muestra la importancia no solo de tener una comprensin
lectora, sino tambin la importancia de la relacin lenguaje-matemticas.
En cuanto al proceso de solucin se observa que el nmero de pasos correc-

tos se correlaciona positivamente con las soluciones encontradas. Tambin se
muestra la importancia de encontrar el modelo matemtico adecuado para te-
ner xito al encontrarse una correlacin positiva entre las frmulas usadas y las
notas obtenidas, los pasos correctos y las soluciones encontradas.
Los resultados de la UDI muestran un impacto menor de la representacin

algebraica con los resultados de los parciales con respecto a los de la Universi-
dad Central, aunque internamente muestran que la incidencia es mayor en la
nota del tercer parcial que en los dos anteriores. A partir de esto se realiz una
revisin crtica de los registros de la actividad y se encontr como factor im-
portante que, a diferencia de la Universidad Central, en la UDI los estudiantes
trabajaron en grupos y cada grupo generaba una respuesta unificada, sin que
pudiera diferenciarse la participacin de cada integrante. Dado que el nmero
de estudiantes en la actividad de modelamiento algebraico fue bajo, especial-
mente en Matemticas III, y que adems trabajaron en grupo, no se consigue
una variabilidad de datos para producir modelos estadsticos ms significa-
tivos. Con respecto al curso de Dinmica de Sistemas, los casos de modela-
miento algebraico fueron los ms complejos del proyecto completo, lo cual es
notorio en la gran diferencia entre los valores p, comparando el caso 1 con el
caso 2. A partir de esto, se recomienda observar una mayor gradualidad en el
incremento de complejidad entre casos de modelamiento.
Los resultados muestran relaciones sistmicas entre las variables que son la
base para que los docentes puedan orientar eficazmente la experiencia de re-
presentacin algebraica. El sistema de variables es fundamental para organizar
el seguimiento de los procesos de aprendizaje.
128
Referencias
Camarena G., P. (2009, enero-marzo). La matemtica en el contexto de las
ciencias. Innovacin Educativa, 9(46): 15-25.
Dennis G., Z. (2009). Ecuaciones diferenciales con aplicaciones de Modelado. 9.

ed.
Himmelblau, D. M. y Bischoff, K. B. (2004). Anlisis y simulacin de procesos.

Editorial Revert S. A.
Lpez G, J. I. (2012). Modelacin matemtica en la enseanza de sistemas de ecua-

ciones lineales [Tesis de grado]. Universidad de Veracruz.
Regalado, A.,Peralta, E. yGonzlez, C. A. (2008).Cmo hacer modelos ma-

temticos. Temas de Ciencia y Tecnologa, 12(35): 9-18.
Trigueros G., M. (2009, enero-marzo). El uso de la modelacin en la ensean-

za de las matemticas. Innovacin Educativa, 9(46): 75-87.
129
Captulo 7
La diagramacin en el desarrollo
de la competencia de modelado
matemtico
Luis Facundo Maldonado Granados*

Hugo Franco Triana**
Nilson Genaro Valencia Vallejo***
Ricardo Vicente Jaime Vivas****
Introduccin
E ste captulo presenta la diagramacin en el contexto de solucin de pro-

blemas como una forma de representar y modelar procesos. La revisin
de estudios relacionados sirve de base para interpretar los resultados de la in-
vestigacin desarrollada y as comprender la relacin entre formas de repre-
sentacin y formacin de la competencia de modelamiento. Los resultados
muestran que la capacidad de diagramar se correlaciona positivamente con el
aprendizaje en cursos de modelamiento matemtico desde dos dimensiones:
la conceptualizacin verbal de cada componente y la eficacia del diagrama en
la solucin del problema. Si bien hay un desarrollo de la competencia influido
por el entorno computacional que apoya la actividad de diagramar, la instruc-
* Ph. D. y profesor investigador de la Universidad Central. Grupo de investigacin Tecnice.

Correo electrnico: lmaldonadog1@ucentral.edu.co.
** Ph. D. y profesor investigador de la Universidad Central. Grupo de investigacin
Complexus. Correo electrnico: hfrancot@ucentral.edu.co
*** M. Sc. y profesor investigador de la Universidad Pedaggica Nacional. Grupo de
investigacin Cognitek. Correo electrnico: nvalencia@pedagogica.edu.co
**** Ingeniero y profesor investigador de Universitaria de Investigacin y Desarrollo. Grupo de
investigacin Gidsaw. Correo electrnico: ricardojaime@udi.edu.co
131
La diagramacin en el desarrollo de la competencia de modelado matemtico
cin explcita sobre la mejor forma de elaborar diagramas parece un cami-

no productivo que constituira la capacidad de desarrollar esta representacin
como una estrategia de aprendizaje muy efectiva.
Antecedentes
La solucin de problemas es una capacidad intrnseca de todo sistema do-
tado de cognicin, al punto de ser usada como indicador y medida de la in-
teligencia. Newell y Simon (1959) proponen un solucionador general de
problemas el cual, mediante un algoritmo de bsqueda en un espacio de esta-
dos intermedios alcanzados mediante operaciones a partir del estado anterior,
permitira alcanzar la solucin (estado objetivo) de cualquier problema mate-
mtico definido de manera simblica.
En ese contexto, un solucionador humano de problemas (Newell, Shaw y
Simon, 1958) consistira en un sistema en el cual un agente humano, a partir
de una representacin en estructuras simblicas, llevara a cabo la bsqueda en
el espacio de estados intermedios mediante operaciones escogidas apropiada-
mente para llevar al sistema a un estado de terminacin exitosa. Dada la ex-
plosin combinatoria de estados intermedios posibles, el agente solucionador
se ve obligado a adoptar una estrategia (inicialmente basada en una heurstica
definida a partir del objetivo del problema) para encontrar el camino ms r-
pido al estado solucin.
A partir de la propuesta de Newell y Simon (1972), Mayer (1983) propone
un sistema de categoras para interpretar y formalizar el proceso de solucin
de problemas matemticos desde la perspectiva del procesamiento de informa-
cin, el cual consta de dos etapas:
Traduccin. En esta etapa intervienen los conocimientos de tipo lin-
gstico, semntico y esquemtico.
Solucin. Se desarrolla a partir de la aplicacin de los conocimientos de
tipo operativo y estratgico.
Russell y Norvig (1995) proponen una formalizacin de la solucin de
problemas, en el contexto de la Inteligencia Artificial, basado en la toma de
decisiones de agentes inteligentes para elegir la secuencia ptima de transfor-
maciones del sistema (operaciones) en un espacio posible de estados. As pues,
la solucin de un problema matemtico consta de tres etapas segn el sistema
sobre el cual est definido:
Formular el objetivo.
Formular el problema, en trminos de estados y acciones, especificadas
como operaciones que permiten al sistema pasar de un estado a otro.
132
Luis F. Maldonado G., Hugo Franco T., Nilson G. Valencia V., Ricardo V. Jaime V.
Encontrar la solucin como un proceso de bsqueda en el espacio de esta-

dos, llevando a cabo un recorrido sobre los mismos mediante la eleccin co-
rrecta de operaciones que conducen el sistema al estado objetivo (solucin).
Los procesos de solucin de problemas, en particular en sus etapas de for-
mulacin del problema en s, involucran la presentacin de conocimiento relati-
vo a los elementos del sistema y la caracterizacin de sus estados (mediante los
posibles valores de las variables) y las transiciones entre los mismos (a manera
de cambios de estado del sistema) que permiten formalizar el problema en s y
su proceso de solucin. Esto implica el uso de diversas formas de representacin
de conocimiento, dentro de las cuales destacan, tanto por su utilidad didctica
como por su eficiencia para expresar elementos y relaciones, las representacio-
nes grficas que, a su vez, suponen un proceso de diagramacin mediante len-
guajes simblicos ms o menos rigurosos, dependiendo de su aplicacin.
El proceso de diagramacin conlleva el uso apropiado, implcito o explcito,
de categoras sobre los procesos. Las estructuras ms simples parten de la apli-
cacin de conceptos muy bsicos, como por ejemplo, los de nodo (elemento) y
relacin, de amplia aplicacin. Por ejemplo, en un diagrama de conceptos cada
nodo es un concepto y los arcos son vnculos entre aquellos. Algunos diagramas
como, por ejemplo, los de Forrester o algunos de flujo incluyen categoras ms
elaboradas de nodos.
En un proceso de solucin de problemas, identificar el sistema de variables
puede ser el punto de partida para enfrentar la solucin de un problema, la apli-
cacin de operadores a las variables para generar cambios procesamiento con
entrada y salida, la toma de decisiones frente a valores de las variables esta-
dos posibles del sistema y la identificacin del estado solucin, son ejemplos
de esas categoras. Cada una de ellas se puede representar mediante figuras
geomtricas p. ej., cajas como contenedores de informacin y al aplicarlas
obtenemos la caracterizacin del proceso de solucin de un problema. En con-
secuencia, al hacer un diagrama se hace una metarrepresentacin.
La funcin de la diagramacin es la de tener una visin estructurada de la
solucin de un problema como un nivel superior al mismo proceso de solu-
cin. El hecho de resolver un problema no implica este nivel metaanaltico del
proceso. Al diagramar el proceso se tiene conciencia de la lgica seguida y se
cuenta con una base para comparar la solucin particular con la de otros pro-
blemas. Los programadores han encontrado de gran utilidad estos diagramas
para desarrollar la representacin computacional del problema y la consecuen-
te simulacin mediante la cual se desarrollan escenarios posibles.
La matemtica es intrnsecamente representacional tanto en su intencin
como en sus mtodos (Kaput, 1989). Vergnaud (1997) sugiere ver la represen-
133
tacin como un atributo de los conceptos matemticos que son definidos por
tres variables: la situacin que hace al concepto significativo y til, la operacin
que se puede desarrollar para manejar la situacin y el conjunto de smbolos,
expresiones lingsticas y grficas que se pueden usar para representar las si-
tuaciones y los procedimientos.
Estas teoras tambin sugieren que el proceso de concepcin (simplemente
seguir o ejecutar los pasos mostrados por el profesor) es menos abstracto que
la concepcin de un objeto (la naturaleza del concepto con sus propiedades, re-
glas y comprensin de cmo y por qu funcionan las reglas). As, el proceso de
formacin de un concepto matemtico puede interpretarse como de un nivel
de abstraccin menor que su concepcin como objeto matemtico. Cuando los
estudiantes necesitan reducir el nivel de abstraccin es probable que no hayan
logrado la comprensin del concepto.
La diagramacin de los procesos acta para reconocer las propiedades del
proceso en un nivel superior de abstraccin relacionado con la ejecucin del pro-
ceso de solucin. Desarrollar la diagramacin como paso siguiente a la solucin
algebraica es, en consecuencia, una prctica con mucho significado pedaggico.
Anasuk y Beyranevand (2010) muestran que los estudiantes que eran ca-
paces de reconocer estructuras y relaciones presentes en diferentes formas de
representacin tuvieron mayor capacidad de responder un test estandarizado y,
por otra parte, muchos estudiantes con solvencia en el manejo de smbolos no
mostraron comprensin ni de conceptos ni de procesos.
Adems, Van Essen y Hamaker (1990) prueban que las representaciones
grficas que permiten representar y conectar piezas de informacin facilitan la
conceptualizacin de la estructura del problema y consolidar una base para re-
solver tanto el problema particular como problemas similares. Larkin y Simon
(1987) tambin presentan pruebas que permiten afirmar que los grficos faci-
litan la organizacin de la informacin y ayudan a explicitar informacin im-
plcita en la formulacin del problema.
Por otro lado, Panasuk y Beyranevand (2010) demuestran que hay estudiantes
que pueden desarrollar de manera fluida procedimientos algebraicos y que fallan al
expresar su significado en diagramas, en un estudio que se pregunta por la influen-
cia de diferentes formas de representar las dimensiones estructurales de los pro-
cedimientos matemticos y el desarrollo de su habilidad para resolver problemas.
El uso de diagramas ha sido reconocido como una de las estrategias ms
positivas en el aprendizaje de las matemticas (Hembree, 1992). Sin embargo
aparece una discusin sobre el uso espontneo de diagramas y el uso sistem-
tico exigido en la actividad de aprendizaje por los profesores. Los estudiantes,
134
en la mayora de las culturas, no muestran tendencia espontnea a usar diagra-

mas y el uso espontneo no siempre es efectivo. Uesaka, Manalo e Ichikawa
(2007) discuten el tema y desarrollan una investigacin en la que encuentran
que la educacin de los estudiantes de Nueva Zelanda, a diferencia de la de los
estudiantes japoneses de educacin bsica, incluye entrenamiento sistemtico
en el uso de diagramas.
Los profesores japoneses usan diagramas como estrategia didctica pero no
entrenan a los estudiantes para que los usen en su aprendizaje y en la solucin
de los problemas de sus tareas escolares. Los estudiantes de Nueva Zelanda
obtienen consistentemente mejores resultados en pruebas estandarizadas fren-
te a sus pares japoneses.
Roth (2002) explica las dificultades que muestran los estudiantes para leer
frmulas matemticas y grficas, no tanto por concepciones equivocadas, sino
por falta de familiaridad con el dominio de conocimiento y con las convencio-
nes de uso de los signos. Cuando los lectores estn familiarizados con los sig-
nos y smbolos grficos, estos pueden suministrar un marco para organizar la
informacin. Se requiere que quien resuelve un problema conozca y entienda el
propsito matemtico y las razones por las cuales se construyeron las conven-
ciones y la forma como el contexto influye en la interpretacin de los grficos.
Segn Narayanan, Suwa y Motoda (1995, citados en Valencia, Sanabria e Ib-
ez, 2012) para operar sobre el razonamiento diagramtico se requieren dos clases
de informacin: la informacin visual y la informacin conceptual. La primera se
obtiene de la representacin grfica o diagrama, e incluye la configuracin espa-
cial, la forma del modelo grfico y sus elementos; la segunda proviene del conoci-
miento previo del aprendiz e incluye el conocimiento predictivo, trado para hacer
inferencias acerca de la dinmica del modelo grfico.
Para estas situaciones de razonamiento, los diagramas sirven como represen-
taciones unificadas de informacin espacial, de tal forma que facilitan el recono-
cimiento del conocimiento relevante para dar solucin al problema y soportan la
representacin mental de la configuracin de los componentes del modelo sobre
el cual se razona.
El razonamiento diagramtico es la accin de razonar y solucionar pro-
blemas, utilizando diagramas o grficos como representaciones externas. No
obstante los diagramas o modelos grficos son representaciones estticas ex-
ternas, el razonamiento con estos modelos puede incluir simulaciones men-
tales de comportamientos que cambien las configuraciones descritas en ellos,
lo cual puede ser soportado por procesos cognitivos fundamentales (Naraya-
nan et. l., 1995).
135
Enfoque metodolgico
El proyecto Red de Modelamiento y Representacin formal en Matemti-
cas, al cual nos referimos en este trabajo, tuvo entre sus objetivos el de llevar a
cabo un anlisis detallado del impacto del uso de los modos de representacin
formal (verbal, algebraico, diagramtico y computacional) en el desarrollo de
competencias de modelado matemtico. Para esta labor, se hizo seguimiento
del desempeo acadmico de estudiantes de ingeniera en cursos de Matem-
ticas III (clculo diferencial), Modelado y Simulacin y Dinmica de Sistemas,
con los cuales se introdujo un sistema de formacin que considera las cuatro
formas de representacin mencionadas en la secuencia: discusin argumentati-
va de un caso usando el software Argunaut, solucin algebraica del mismo me-
diante el software Derive, diagramacin del proceso de solucin utilizando el
software DIA y, finalmente, desarrollo de la solucin en el ambiente MatLab.
Los cursos, de contenido esencialmente formal (matemtico y computacio-
nal), relacionados con el desarrollo de habilidades y destrezas para la solucin
de problemas reales en ingeniera, son propicios para el tipo de estudio pro-
puesto en el proyecto, dado que la aproximacin a dichos problemas contempla
un proceso de modelado matemtico riguroso. La mayor parte de problemas
de ingeniera con aplicaciones reales tiene una solucin analtica (longitud del
proceso de solucin, complejidad de las relaciones entre variables), o inexisten-
te (Gordon, 1999). En el contexto de la formacin en competencias bsicas,
transversales a todos los campos de la ingeniera, se requiere, entonces que los
futuros profesionales se formen en competencias para la solucin de problemas
(solucin numrica a problemas mal condicionados, optimizacin, derivacin
e integracin numricas, anlisis espectral en el dominio discreto, etc.). El cl-
culo numrico, en conjuncin con otras reas de las matemticas y las ciencias
de la computacin, permite obtener soluciones aproximadas y, en particular, la
reproduccin de comportamientos complejos en sistemas de inters (simula-
cin), componente fundamental de los procesos de diseo, optimizacin y va-
lidacin de herramientas y procesos en ingeniera (Wang y Shang, 2007).
Cabe agregar que el clculo numrico se facilita con el uso de herramientas
computacionales que permiten la implementacin de cada mtodo o aproxi-
macin especfica a la solucin de un problema, considerando su complejidad,
la precisin de la solucin deseada y la operatividad y duracin del proceso para
conseguirla (iteraciones, tomas de decisiones, nmero de operaciones, presen-
tacin peridica de resultados en simulaciones de sistemas dinmicos, etc.).
Existen en la literatura formalismos que permiten, mediante el anlisis y una
estrategia de solucin, hacer accesible y manejable el proceso de solucin formal
de un problema desde la perspectiva numrica, lo que implica inevitablemente
136
un componente algortmico. Los diagramas de flujo, cuya formalizacin y uti-

lizacin en computacin se remonta a los propios trabajos de Von Neumann y
Goldstine (Goldstine, 1947), presentan de una forma rpida, sencilla y robusta
la estructura de un algoritmo, independientemente de si se trata de un proce-
so en el sentido general o un programa de computador, y del lenguaje de pro-
gramacin que se emplee para su implementacin. El diagrama de flujo ofrece,
adems, una correspondencia estrecha con la implementacin computacional de
la solucin, haciendo que la tarea de llevar el planteamiento matemtico formal
del problema a la solucin computacional requerida sea natural, comprensible y
reproducible. Los diagramas de flujo permanecen vigentes y apoyan la evolucin
de los Lenguajes de Modelado de Sistemas informticos, como el UML, en el
cual aparecen, en una versin adaptada, como diagramas de actividades.
En el proceso de formulacin, anlisis y solucin de problemas matem-
ticos, los modos de representacin verbal, algebraico, diagramtico y com-
putacional permiten la presentacin del conocimiento que interviene en los
diferentes momentos de la solucin de un problema y se pueden relacionar con
las etapas de desarrollo del aprendizaje de la solucin de problemas.
En el marco de este proyecto, el modelado matemtico est apoyado por
ambientes computacionales. De este modo, la abstraccin, anlisis, identifica-
cin de estados y solucin conduce a la formulacin de un algoritmo compu-
tacional y a su implementacin en un lenguaje de programacin MatLab, un
lenguaje de alto nivel diseado para la ejecucin de operaciones algebraicas de
carcter numrico. En este contexto, la metodologa aplicada a la solucin de
problemas en los cursos estudiados const de las siguientes etapas:
Anlisis verbal del problema (identificacin de elementos como varia-
bles, relaciones de dependencia entre las mismas, estado inicial y condi-
ciones del entorno).
Formulacin algebraica (relaciones formalizadas de manera rigurosa en
lenguaje matemtico).
Diseo diagramtico de un proceso general de solucin.
Implementacin computacional de dicho proceso y obtencin de solu-
ciones aproximadas.
As pues, la etapa de representacin diagramtica se interpret y utiliz en

los cursos asociados al proyecto como la representacin del proceso general de
solucin de un problema formulado numricamente para la obtencin de la
aproximacin numrica satisfactoria a la solucin de una instancia particular
del problema, determinada mediante el escenario especfico en el cual dicho
137
problema es parametrizado. Por ende, es imperativo el uso del lenguaje de los

diagramas de flujo para llevar a cabo dicha representacin a manera de algorit-
mo general. Este se emple de la siguiente manera en las asignaturas de Mo-
delado y Simulacin y de Matemticas III para representar un proceso general
de solucin en cada caso de estudio:
Identificacin de variables como representacin (cuantitativa) del esta-
do del sistema que enmarca el problema.
Identificacin de relaciones entre variables en el contexto del problema,
como ecuaciones o sistemas de ecuaciones.
Determinacin de valores iniciales de variables y de valores de parme-
tros constantes
Propuesta de pasos generales para llevar al problema a un estado de
solucin.
Salida adecuada (reporte de valores, grficas de evolucin) de la solu-
cin obtenida.
Por otro lado, puede afirmarse que el trabajo diagramtico es inherente a

la dinmica de sistemas (DS); tradicionalmente se utilizan dos tipos de dia-
gramas: los de influencias (tambin llamados diagramas causales) y los de flu-
jo y niveles (conocidos tambin como diagramas de Forrester). El alto nivel de
transdisciplinariedad, generalidad y escalabilidad de la DS, que la hace aplica-
ble casi en cualquier rea del conocimiento, y su orientacin a la diagramacin,
promueve el aprendizaje colaborativo (Schwaninger y Ros, 2008).
La tendencia ortodoxa suele evitar los diagramas de influencias. Segn Jay
Forrester, reconocido como el fundador de la DS, carecen de una disciplina
de pensamiento, fallan en la identificacin de los elementos que producen el
comportamiento del sistema, y llevan a apreciaciones errneas, por lo que solo
sirven como elementos explicativos de modelos previamente representados en
flujos y niveles (Forrester, 1994).
Pero para una tendencia cualitativa que progresivamente logra ms adep-
tos, los diagramas de influencias apoyan el trabajo interdisciplinario, pueden
ser desarrollados con rigor suficiente, y ayudan a las personas a externalizar y
enriquecer sus modelos mentales (Wolstenholme, 1999). Son tiles para resu-
mir cantidades grandes de texto, orientar una discusin, explicar el comporta-
miento de los sistemas a partir de estructuras cclicas, ampliar el contexto de
abordaje de un problema, y son un paso intermedio entre el lenguaje natural y
el lenguaje matemtico (Coyle, 2000).
138
Resultados
Resultados cuantitativos
La representacin diagramtica tuvo dos formas de desarrollo: primero, en

los cursos de Matemtica III y Modelamiento y Simulacin, los estudiantes
usaron el ambiente DIA, de forma espontnea, sin instrucciones explcitas so-
bre cmo elaborar la representacin; segundo, los estudiantes de Dinmica de
Sistemas siguieron parmetros explcitos sobre la elaboracin de diagramas de
influencias.
En los cursos de Matemticas III (Ecuaciones diferenciales) y Modela-
miento y Simulacin se aplic el modelo de anlisis de regresin con las califi-
caciones obtenidas en las evaluaciones como variables dependientes. Se analiz
el efecto de la cantidad de cajas contenidas en los diagramas y el nmero de
cajas que contenan ecuaciones matemticas o texto explicativo de los proce-
sos. La cantidad absoluta de cajas en ningn caso muestra relacin con las ca-
lificaciones obtenidas. En la primera evaluacin ninguna de las tres variables
independientes mostr efecto en la primera evaluacin.
En la segunda evaluacin tanto el nmero de cajas con explicaciones tex-
tuales como el nmero de cajas con ecuaciones son predictores de las califica-
ciones obtenidas. El valor de F(2,81)=4,4216, con un valor p<0,01505 muestra
que el modelo de regresin explica el comportamiento de la variable depen-
diente (tabla 1). Los valores t para cada una de las dos variables son significati-
vos. Sin embargo, hay que notar que ese valor es negativo para la variable cajas
con ecuaciones, lo cual significa que la inclusin de cajas con solo ecuaciones
tiene una relacin negativa frente a la nota, al contrario de lo que sucede con
las cajas con texto o texto y ecuaciones.
Tabla 1. Anlisis de regresin tomando como variable dependiente la calificacin obtenida en la segunda evaluacin
al 60% del desarrollo del curso y como variables independientes las cajas que contienen texto o ecuaciones en los dia-
gramas presentados por los estudiantes
Regression Summary for Dependent Variable: NOTA2

R= ,31373377 R= ,09842888 Adjusted R= ,07616786
F(2,81)=4,4216 p<,01505 Std.Error of estimate: 1,0742

St. Err.
St. Err.
BETA of BETA B of B t(81) p-level
Intercpt 2,599646 0,157492 16,50654 0,000000
CAJASTEXTO2 0,609490 0,212644 0,113646 0,039650 2,86625 0,005291
CAJASECUACION2 -0,445592 0,212644 -0,076138 0036334 -2,09549 0,039251
139
Cuando aplicamos el mismo modelo de regresin tomando como variable de-

pendiente las calificaciones del examen final las relaciones tienden a replicarse.
En efecto el valor F(2,51)=10,393, con un valor p<0,00016 muestra que el mo-
delo tiene an mayor valor explicativo que en la evaluacin previa (tabla 2). La
variable Cajas con texto tiene un efecto muy significativo y positivo en la varia-
ble dependiente. El efecto de la segunda variable se debilita y contina con signo
negativo. Por tanto, nos encontramos con un proceso evolutivo en el cual los estu-
diantes que logran no solo considerar las ecuaciones de la solucin del problema
sino explicar y categorizar cada paso de la solucin tienen mejores calificaciones.
Tabla 2. Anlisis de regresin tomando como variable dependiente la calificacin obtenida en la tercera evaluacin al
100% del desarrollo del curso y como variables independientes las cajas que contienen texto o ecuaciones en los dia-
gramas presentados por los estudiantes
Regression Summary for Dependent Variable: NOTA3

R= ,53810343 R= ,28955530 Adjusted R= ,26169473
F(2,51)=10,393 p<,00016 Std.Error of estimate: 1,1166
St. Err. St. Err.
Intercpt 2,486351 0,216860 11,46524 0,000000
CAJASTEXTO3 0,618598 0,146628 0,126535 0,029993 4,21881 0,000101
CAJASECUACION3 0-,163045 0,146628 0-,041929 0,037707 -1,11196 0,271370
En la asignatura de Dinmica de Sistemas, la metodologa consisti en la

formulacin, prueba y depuracin de explicaciones de las causas internas del
comportamiento de un sistema, para el desarrollo de polticas de manejo y toma
de decisiones, haciendo uso de mapas informales, modelos formales y simulacio-
nes computarizadas que representaran el origen endgeno del comportamiento
del sistema (Richardson, 2011). Tiene el propsito de hacer modelamiento se-
mntico que sirva como puente entre el proceso de aprendizaje acerca de la di-
nmica de un fenmeno y el diseo conceptual (diagramas de clases, diagramas
relacionales, entre otros) de software para intervenir en el mismo ( Jaime, 2012).
La forma de diagramacin seleccionada para el curso fue la de diagramas
de influencias. No se utiliz un software desarrollado especficamente para ela-
borar diagramas de influencias. Para trabajar en un ambiente colaborativo, los
estudiantes se organizaron en grupos de cuatro o cinco integrantes y utilizaron
la herramienta de elaboracin de diapositivas de la plataforma Google Drive,
cada uno desde un computador distinto, para as evitar estar en puestos ad-
yacentes, esto con el fin de que durante la discusin del caso no establecieran
comunicacin oral y recurrieran a la comunicacin escrita por medio del chat
incluido en la herramienta.
140
Tabla 3. Relacin entre pasos acertados y calificaciones obtenidas en el examen final
Regression Summary for Dependent Variable: EXAFINAL

R= ,43624062 R= ,19030587 Adjusted R= ,16717176
F(1,35)=8,2262 p<,00695 Std.Error of estimate: ,37017
St. Err. St. Err.
Intercpt 3,812574 0,209149 18,22898 0,000000
PASOS
0,436241 0,152099 0,065137 0,022711 2,86814 0,006951
ACERTADOS
Se compararon los pasos seguidos por el estudiante con los del profesor.
Con base en la comparacin de los diagramas de los estudiantes con los del
profesor se determin el nmero de pasos acertados. El nmero absoluto de
pasos no mostr relacin significativa con los resultados en la evaluacin. Tam-
poco se encontr relacin con el grado de detalle o especificidad de los dia-
gramas. El profesor asign un valor de calidad de la representacin, y tampoco
se encontr correlacin significativa entre ste y los resultados en el examen.
Se encontr una relacin estadsticamente significativa entre el nmero de
pasos acertados y los resultados en el examen final. El modelo de regresin (ta-
bla 3), muestra un valor F(1,35)=8,2262, con valor p<0,00695 que muestra una
relacin significativa entre las dos variables.
Resultados cualitativos
Los estudiantes representaron de manera grfica el proceso de solucin del
problema usando el software DIA. Se analiz una muestra del 30% de los es-
tudiantes de los cursos de Matemticas III y Modelamiento y Simulacin que
completaron tres representaciones diagramticas, cada una para una unidad
temtica. Los diagramas incorporan cajas que se unen por conectores y con-
tienen estructuras de decisin, expresiones verbales en forma de ttulos o expli-
caciones de procesos y procedimientos, y frmulas matemticas.
Para la realizacin del anlisis cualitativo se tuvo en cuenta el siguiente pro-
cedimiento:
Cada uno de los diagramas se analiz de manera individual. Este proce-
so se realiz a travs de un instrumento de recoleccin de informacin
(ver Apndice)
Se contrastaron las tres representaciones diagramticas elaboradas por
cada estudiante con el fin de determinar los modos de representacin y
los avances en trminos del logro de aprendizaje, contrastado con los re-
sultados cuantitativos de cada corte.
141
Este anlisis tuvo como propsito diferenciar el aporte de la representacin

diagramtica en el desarrollo de competencias de modelamiento matemtico e
identificar el tipo de estructura utilizada (de flujo, de secuencia, de procesos, otros).
En alguna medida fue posible caracterizar los estilos de representacin elaborada.
Tambin se indag acerca de los estados de transicin y los operadores ela-
borados para llegar al estado solucin de cada caso, segn Newell y Simon
(1972) y contrastar estos resultados con las representaciones diagramticas ela-
boradas por el experto.
En sntesis, el anlisis cualitativo permiti visualizar efectos positivos en tr-
minos del logro de aprendizaje tras la utilizacin de la representacin diagram-
tica en la solucin de problemas matemticos. Puede afirmarse esto con base en
la evolucin encontrada entre los diagramas elaborados por cada estudiante y su
relacin con los resultados en el logro de aprendizaje (cuantitativo) en los tres
cortes realizados durante el semestre. En este mismo orden de ideas, el anlisis
tambin permiti encontrar que los estudiantes que presentan evaluaciones cu-
yos resultados son superiores a la media estadstica de cada grupo, son estudian-
tes que lograron estructurar modelos eficientes de representacin diagramtica
en comparacin con los estudiantes que no alcanzaron estos niveles.
En lo que atae al abordaje de los casos, se observaron con claridad tres mo-
mentos, en concordancia con los planteamientos de Russell y Norvig (1995).
En un primer momento los estudiantes presentan la informacin que les su-
ministra el problema en dos cajas, que incorporan las variables de entrada con
sus valores y las incgnitas, segn el caso. El segundo momento est relaciona-
do con la transicin de estados y operadores utilizados para modificar el estado
inicial, para lo cual los estudiantes realizan entre dos y tres bloques gruesos de
procesos, los cuales presentan detalladamente los estados de transicin y, final-
mente, la aproximacin al estado solucin.
Una gran proporcin de los estudiantes no elabor heursticas eficientes en
la primera representacin diagramtica, lo que los llev a distanciarse del esta-
do solucin. En este estadio los diagramas elaborados carecen de especificidad
y no se evidencian dominios conceptuales estructurados. El nmero de cajas
utilizadas y las conexiones entre ellas son pocas. En esta primera elaboracin,
ms que representaciones diagramticas hay representaciones algebraicas en-
tre cajas de dilogo interconectadas, las cuales no dan cuenta de la solucin del
problema de manera clara.
En el segundo y en el tercer caso, los estudiantes utilizaron un mayor n-
mero de cajas y de conexiones entre ellas, lo que refleja ms especificidad en
sus procesos. Se observ una mayor tendencia a la elaboracin de heursticas
eficientes en los diagramas elaborados, los cuales incorporan estructuras de de-
142
cisin simples y otros elementos que provee el programa de computador. Las

representaciones elaboradas son interesantes en la medida que el estudiante
se apoya en la utilizacin de predicados verbales para identificar la accin que
debe llevarse a cabo o comentar los estados de transicin; estos a su vez son
acompaados de expresiones matemticas (ecuacin, integrales y/o frmula
matemtica). Lo anterior permite afirmar que los estudiantes presentan mo-
delos conceptuales ms eficientes visualmente. En esa medida, un mayor n-
mero de estudiantes plantearon un estado solucin, cercano a la representacin
diagramtica elaborada por el experto. En resumen, los estudiantes adquieren
progresivamente mayor habilidad para elaborar los diagramas y desarrollan
mayor rigor conceptual.
Discusin y conclusiones
Tanto el anlisis de antecedentes como los resultados de esta investigacin
muestran que la diagramacin es una estrategia que se relaciona positivamen-
te con el aprendizaje. Adems, los estudiantes mejoran progresivamente su ca-
pacidad de solucionar problemas mediante diagramas, y la experiencia previa
de solucin algebraica les facilita la diagramacin. La elaboracin espontnea
lleva a algunos estudiantes, especialmente en etapas iniciales, a colocar sim-
plemente los pasos algebraicos en cajas. Si bien esta no es la solucin ideal, s
induce al estudiante a representar la lgica de solucin y en etapas siguientes
desarrolla conceptualizaciones sobre el proceso lgico de solucin. Este razo-
namiento, cuando se traduce en expresiones textuales y ttulos, muestra un ni-
vel de conocimiento superior al algebraico, que se relaciona estadsticamente
con mejores resultados en los exmenes de las diferentes asignaturas con las
cuales se hizo el estudio. Tambin es de notar, como se observa en el curso de
Dinmica de Sistemas, que la cantidad de elementos que se introducen en la
diagramacin en s no se correlaciona con el rendimiento en los exmenes; es,
por un lado, la conceptualizacin sobre el proceso lgico expresado en comen-
tarios verbales y ttulos y, por otro, la eficacia en la solucin del problema, lo
que posibilita aprendizaje.
Nuestros resultados concuerdan con los de Uesaka, Manalo e Ichikawa
(2007) que muestran que la diagramacin requiere de prctica y de entrena-
miento. En los cursos de Matemticas III y Modelamiento y Simulacin, el
entrenamiento en diagramacin no fue tan sistemtico como en el de Din-
mica de Sistemas. Los resultados apoyan la interpretacin de que el entrena-
miento sistemtico puede llevar a convertir la diagramacin en estrategia de
aprendizaje muy eficiente, lo cual hace necesaria la definicin de una metodo-
loga ms sistemtica de formacin de los estudiantes.
143
En contraposicin al curso de Dinmica de Sistemas, en el cual hubo una

conceptualizacin explcita de la diagramacin pero no un software que induje-
ra a su utilizacin, los cursos de Matemtica III y Modelamiento y Simulacin
no contaron con una concepcin explcita de la diagramacin, pero s con un
software que induce al uso de categoras al presentar cajas de diferente forma.
El hecho de que los resultados sean similares, nos hace pensar en el poder
de induccin del software como apoyo para el estudiante y el profesor. La com-
binacin del software y de una concepcin sobre las categoras de diagramacin
puede elevar la eficacia del sistema.
Recomendaciones y trabajo futuro

La solucin de problemas desde la perspectiva del modelado como eje de
la formacin en ingeniera implica el desarrollo de competencias para generar
representaciones abstractas del sistema estudiado. Tales modelos (abstraccio-
nes), segn la taxonoma de Bloom en sus interpretaciones modernas (Ander-
son y Krathwohl, 2001), requieren de una comprensin detallada del problema,
es decir, de una interpretacin adecuada del sistema en el que el problema est
definido y, por ende, precisan la identificacin correcta de los elementos inter-
vinientes y de las relaciones entre los mismos (anlisis).
En este sentido, y en relacin con las dificultades y retos establecidos a par-
tir del anlisis de los resultados del presente estudio, se hace necesaria la for-
mulacin de una metodologa para el uso de representaciones diagramticas de
cursos fundamentados en el modelado matemtico, de manera que se garantice
un nfasis suficiente en el desarrollo de competencias relacionadas con el an-
lisis formal de problemas mediante la identificacin de parmetros, variables
y estados (particularmente, iniciales y objetivos) del problema como sistema.
Las competencias operativas asociadas a la herramienta empleada para la
representacin diagramtica, relacionadas con la capacidad de representacin
de procesos de solucin algortmica de problemas, requieren un uso ms rigu-
roso de las herramientas de desarrollo de algoritmos para su ejecucin en el
computador, como el pensamiento algortmico, el uso de lenguajes apropiados,
entre otros.
Dado el perfil de los profesores de las reas relacionadas con matemticas
y la variabilidad en la formacin de los estudiantes del curso, en relacin con
su procedencia (diferentes carreras de ingeniera, potencialmente en diferentes
fases de su formacin profesional) y habilidades, se requiere reforzar en eta-
pas iniciales del curso las destrezas en el uso de representaciones algortmicas,
como los diagramas de flujo, el pseudocdigo, los lenguajes de programacin
144
de alto nivel y la formulacin misma de algoritmos para la implementacin de

aproximaciones numricas a la solucin de problemas.
Asimismo, se evidencia la necesidad de que tanto los profesores como los
estudiantes usen con mayor rigor las caractersticas de la representacin dia-
gramtica y su aplicacin al diseo de procesos de solucin de problemas mate-
mticos. Estos aspectos implican la formulacin de un modo de representacin
diagramtico que se adapte a las necesidades de representacin de procesos de
solucin de problemas, que tambin contemple su generalidad y capacidad de
enfrentar diferentes escenarios mediante las entradas y la inicializacin de pa-
rmetros, y que determine el grado de detalle esperado en la solucin propues-
ta en cada caso de estudio (definicin de una metodologa, una plantilla para la
solucin de problemas con estructura anloga o la solucin a casos especficos).
Tal formulacin podra incorporarse al desarrollo de los cursos como prcticas
fundamentadas en casos de estudio sencillos (tutoriales y talleres guiados), lle-
vadas a cabo en las primeras etapas de cada curso.
Referencias
Anderson, L. W. y Krathwohl, D. R. (eds.). (2001). A Taxonomy for Learning,

Teaching and Assessing: A Revision of Blooms Taxonomy of Educational
Objectives. New York: Longman.
Coyle, G. (2000). Qualitative and Quantitative Modelling in System Dynamics:
Some Research Questions. System Dynamics Review, 16(3): 225-244.
Forrester, J. (1994). System Dynamics, Systems Thinking, and Soft OR. Sys-
tem Dynamics Review, 10(2): 245-256.
Goldstine, H. H. y von Neumann, J. (1947). Planning and Cocting of Problems
for an Electronic Computing Instrument, Part II, I. Reporte preparado por
U. S. Army Ord. Dept. under Contract W-36-034-ORD-7481. [T,V,
80-151; AB, 151-222].
Gordon, G. J. (1999). Approximate Solutions to Markov Decision Processes.
Robotics Institute. Paper 228. Disponible en http://repository.cmu.edu/
robotics/228
Hembree, R. (1992). Experiments and Relational Studies in Problem-Solving a
Meta-Analysis. Journal for Research in Mathematics Education, 23: 242-273.
Jaime, R. (2012). Modelamiento semntico con dinmica de sistemas en el
proceso de desarrollo de software. RISTI - Revista Ibrica de Sistemas e
Tecnologias de Informao, 10(1): 19-34.
145
Kaput, J. (1989). Linking Representations in the Symbol Systems of Algebra.

En S. Wagner y C. Kieran (eds.), Research Issues in the Teaching and Lear-
ning of Algebra (pp. 167-194). Reston, VA: NCTM.
Larkin, J. H. y Simon, H. A. (1987). Why a Diagram is (Sometimes) Worth
ten Thousand Words. Cognitive Science, 11:65-99.
Narayanan, N. H., Suwa, M. y Motoda, H. (1995). Hypothesizing Behaviors
from Device Diagrams. En J. Glasgow, N. H. Narayanan y B. Chandrase-
karan (eds.), Diagrammatic Reasoning: Cognitive and Computational Pers-
pectives (pp. 501-534). Menlo Park, CA: AAAI Press/The MIT Press.
Newell, A. Shaw, J. C. y Simon, H. A. (1958) Elements of a Theory of Human
problem solving. Psychological Review, 65, 151-166
Newell, A., Shaw, J. C. y Simon, H. A. (1959). Report on a General Pro-
blem-Solving Program. Proceedings of the International Conference on In-
formation Processing (pp. 256-264).
Newell, A. y Simon, H. A. (1972). Human Problem Solving. Englewood Clifs,
NJ: Prentice Hall.
Panasuk, R. M. y Beyranevand, M. L. (2010). Algebra Students Ability to Re-
cognize Multiple Representations and Achievement. International Jour-
nal for Mathematics Teaching and Learning. Disponible de http://www.
cimt.plymouth.ac.uk/journal/default.htm
Richardson, G. P. (2011). Reections on the Foundations of System Dyna-
mics. System Dynamics Review, 27(3): 219-243.
Roth, W. M. (2002). Reading Graphs: Contributions to an Integrative Con-
cept of Literacy. Journal of Curriculum Studies, 34(2): 1-24.
Russell, S. y Norvig, P. (1995). Artificial Intelligence: A Modern Approach.
Englewood Cliffs, NJ: Prentice-Hall.
Ryve, A. (2006). Making Explicit the Analysis of Students Mathematical Dis-
courses - Revisiting a Newly Developed Methodological Framework.
Educational Studies In Mathematics, 62(2): 191-209.
Schwaninger, M. y Ros, J. P. (2008). System Dynamics and Cybernetics: A
Synergetic Pair. System Dynamics Review, 24(2): 145-174.
Uesaka, Y., Manalo, E. y Ichikawa, S. (2007). What Kinds of Perceptions and
Daily Learning Behaviors Promote Students Use of Diagrams in Ma-
thematics Problem Solving? Learning and Instruction, 17: 322-335.
146
Valencia, Sanabria e Ibez (2012). Procesos cognitivos y metacognitivos en la

solucin de problemas de movimiento de figuras en el plano a travs de
ambientes computacionales. Revista Tecn, Epistem y Didaxis, 31: 45-65.
Van Essen, G. y Hamaker, C. (1990). Using Self-Generated Drawing to Sol-

ve Arithmetic Word-Problems. Journal of Educational Research, 83: 301-
312.
Vergnaud, G. (1997). The Nature of Mathematical Concepts. En P. Bryant

(ed.), Learning and Teaching Mathematics. East Sussex: Psychology Press.
Wang, G. G. y Shan, S (2007, abril). Review of Metamodeling Techniques in

Support of Engineering Design Optimization. J. Mech. Des., 129(4).
Wolstenholme, E. (1999). Qualitative v. Quantitative Modeling: The Evol-

ving Balance. Journal of the Operational Research Society, 50(4): 422-428.
Apndice
Sesin: 3 Fecha: 16 de noviembre
Cdigo estudiante: 1022359676 Asignatura: Matemticas III
Profesora: M. R. Caso: Salto con Bungee Jumping
Problema. Determine un modelo matemtico para esta situacin. Definir

las variables, condiciones iniciales y dar respuesta a la decisin de: en qu con-
diciones Daniel puede realizar un salto seguro.
Descripcin. El estudiante identificado con cdigo 1022359676 utiliz
doce cajas en total para dar respuesta al problema del Salto con Bungee Jum-
ping. Se evidencian con claridad los estados de transicin de estados. El estu-
diante elabor una representacin de secuencias, la cual incorpora tres cajas
con forma de estructuras de decisin. En primer lugar, el sujeto plante las
condiciones iniciales del problema. Luego, a travs de cajas que incorporan
textos tanto en su interior como en la parte exterior, el sujeto present las al-
ternativas posibles. Paralelo a ello, en otras cajas de texto se plantean los valo-
res de las variables y las expresiones matemticas que llevan desde la transicin
de estados hasta la solucin del problema. El sujeto coment en su totalidad la
transicin de estados a la vez que plante las expresiones algebraicas que deba
utilizar. Adems, elabor el diagrama incorporando informacin textual tanto
147
dentro como fuera de las cajas, con lo cual manifiesta una forma de dilogo en-
tre los textos y las expresiones algebraicas durante el desarrollo del problema.
Valoracin. Se evidencia un avance significativo en el modo de represen-
tacin utilizado en este diagrama, en comparacin con los de las sesiones an-
teriores. La representacin elaborada presenta rigor, claridad y un proceder
metodolgico bien interesante. El sujeto hall un modo de representacin dia-
gramtica eficiente. En la transicin de estados del problema, se evidencia la
utilizacin de ciclos o estructuras de decisin, las cuales funcionan ms como
rutas que podran seguirse.
Sntesis. En general, el estudiante con cdigo 1022359676 evoluciona en
su modelo de representacin diagramtica en los tres problemas que resuelve.
El diagrama del tercer caso es el de mejor calidad. Las representaciones que
hace el sujeto se caracterizan por ser medianamente detalladas, lo que lo lleva a
utilizar un nmero no muy amplio de cajas (once cajas en promedio). Incorpo-
ra en sus representaciones expresiones textuales y algebraicas. Llega al estado
solucin en el segundo y en el tercer problema, lo que no ocurre en el primero.
Las nota de los tres parciales del sujeto fueron: 2,5, en el primer parcial; 3,5,
en el segundo parcial; y 3,0, en el tercer parcial. Obtuvo una nota definitiva de
3,0. Los resultados anteriores no permiten demostrar un efecto positivo de la
utilizacin de la representacin diagramtica, pero s se visualiza una curva as-
cendente en trminos del logro acadmico con mayor aumento entre el pri-
mer y el segundo corte. El estudiante est entre el grupo de los estudiantes que
aprobaron el curso, correspondiente al 66%.
148
Captulo 8
Representacin computacional
y desarrollo de la competencia
de modelamiento
Albert Montenegro Vargas*

Dora Janeth Alfonso Cmbita**
Sergio Andrs Zabala Vargas***
Introduccin
E l presente captulo est dedicado a la simulacin por computador como es-

trategia para consolidar competencias de modelado en ingeniera. Si bien,
el tema de la integracin informtica a los procesos curriculares tiene una lite-
ratura bastante prolija, el tema particular que nos ocupa es relativamente nue-
vo. Por otro lado, se revisarn los antecedentes pertinentes que pueden ayudar
a la comprensin de los procesos de aprendizaje, y se relatar la validacin de
una aproximacin experimental sobre el tema.
La simulacin es una de las formas de representacin atendida en el pro-
yecto y forma parte de un sistema en el que la representacin verbal, algebraica
y diagramtica son procesos previos. Nuestro objetivo es consolidar estrategias
para la implementacin de elementos computacionales en el anlisis y mode-
lamiento de entornos, en las asignaturas de Matemticas III y Modelado y
Simulacin, ambas asociadas a la Universitaria de Investigacin y Desarrollo
-UDI- y a la Universidad Central.
* M. Sc. y docente investigador del Departamento de Matemticas, Universidad Central.
Grupo de investigacin Tecnimat. Correo electrnico: amontenegrov@ucentral.edu.co
** M. Sc. y docente investigadora del Departamento de Ingeniera de Sistemas de la Universidad
Central. Correo electrnico: dalfonsoc@ucentral.edu.co
*** Ingeniero y docente investigador de Universitaria de Investigacin y Desarrollo. Grupo de
investigacin Gidsaw.
149
Representacin computacional y desarrollo de la competencia de modelamiento
Antecedentes
Formacin de competencias de modelado en ingeniera
Estudios sobre el tema de formacin de competencias de modelado en progra-

mas de ingeniera demuestran la problemtica especfica de la ingeniera, la cual
busca soluciones con apoyo en el modelado, de modo que los estudiantes logren
consolidar, dominar y aplicar los conceptos adquiridos en diversos contextos.
Particularmente, para el rea de Ingeniera, Vernon (2000) seala que las
competencias esenciales para los jvenes ingenieros pueden ser clasificadas
bajo el ttulo de habilidades y conocimiento. Dentro de las habilidades des-
taca: comunicacin, trabajo en equipo, resolucin de problemas y aprender a
aprender. Estas habilidades ciertamente son aplicables a otras reas, no ex-
clusivamente a Ingeniera. Con conocimiento se refiere el entendimiento de
los principios de la ingeniera, bases importantes en matemticas y ciencia,
elementos de economa, negocios y gerencia, conocimiento especfico de una
rama de la ingeniera, introduccin a la tica y educacin en temas ambienta-
les. Para este autor, el ambiente de aprendizaje debe estimular a los estudiantes
e incentivarlos a desarrollar la capacidad de aprendizaje durante toda la vida
como preparacin para manejar los problemas futuros.
Un problema que debe tenerse en cuenta es que debido a la cantidad de
conocimiento disponible, es necesario que los estudiantes desarrollen las ha-
bilidades para filtrar lo irrelevante de lo vital. Estas consideraciones pueden
ampliarse a cualquier rea.
Necesidad del modelado en la formacin de ingenieros
La formacin de ingenieros, con el nimo de ofrecer una capacitacin inte-

gral, incorpora diferentes reas y asignaturas para utilizar conceptos en la so-
lucin de un problema determinado. Kofman (2000) seala cmo la relacin o
el uso de modelos y las leyes fsicas tienen una gran importancia para el apren-
dizaje de la fsica y destaca la aplicacin de simulaciones computacionales para
la enseanza de la misma.
Dentro de la enseanza de las matemticas, Trigueros (2009) considera que debe
buscarse el equilibrio entre aquellos aspectos de la modelacin que son importantes
de destacar y los conceptos que se quieren ensear. Adems, los resultados obtenidos
en experiencias muestran que el diseo de las actividades debe favorecer el regreso
al problema de la modelacin. Concluye que el diseo de las situaciones constituye
un elemento central para que el uso de la modelacin tenga xito:
150
Albert Montenegro V., Dora J. Alfonso C., Sergio A. Zabala V.
un problema planteado en buenos trminos coadyuva el com-

promiso de los estudiantes en su solucin y el aprendizaje de nue-
vos conceptos. Evidentemente, no todos los estudiantes avanzan de
la misma manera, ni logran profundizar en los conceptos como se-
ra deseable, pero puede decirse que los resultados obtenidos en este
tipo de proyectos muestran con claridad las bondades de este acerca-
miento a la enseanza de las matemticas en la universidad (p. 87).
Mendible (2007) menciona que, en ingeniera, modelar constituye una com-

petencia profesional de innegable utilidad prctica. El diseo, en particular, es
una actividad que se soporta en la analoga, dualidad o relacin entre el mundo
fsico o conceptual extra matemtico, con los entes abstractos de la matemti-
cas, considerando formas y estructuras que muestren comportamiento. Los re-
tos para el docente y para el estudiante de ingeniera son la adquisicin de las
habilidades de modelizacin matemtica y aplicaciones en la resolucin de pro-
blemas. Es evidente que la modelizacin, como proceso gestor de cambio y de
contextualizacin ejercida por el ingeniero, representa, en los tiempos moder-
nos, una filosofa de trabajo, que adems posee dos sentidos: el de la realidad
hacia el modelo y el del modelo hacia la realidad. Los modelos matemticos,
producto de este proceso, son adecuados si ellos describen, explican y predicen
aproximadamente los efectos del fenmeno real que se desea representar.
El fortalecimiento de las competencias en la formacin de ingenieros

con el uso de ambientes computacionales
Surge la necesidad de apoyar los procesos de enseanza-aprendizaje en la

formacin de ingenieros por medio de herramientas computacionales que per-
mitan no solo el desarrollo y fortalecimiento de competencias como concep-
tual, operativa y modelativa, sino tambin ayudar adquirir habilidades para
identificar la forma de representacin ms conveniente para solucionar un pro-
blema planteado, bien sea de forma verbal, computacional, diagramtica o al-
gebraica, o en la seleccin de la herramienta computacional ms apropiada.
Kofman (2003) menciona que todo nace del deseo de solucionar un pro-
blema, para lo cual puede plantearse una serie de modelos de solucin (modelo
ideal) donde el estudiante verifica si es adecuado o no. Aunque para ello debe
darse el siguiente proceso:
Representar la solucin mediante un modelo matemtico.
Representar el modelo matemtico con ayuda de un software especfi-
co y analizar la relacin que se pueda presentar con el fenmeno a so-
lucionar.
151
Realizar una programacin de modelos computacionales por los mis-

mos estudiantes. Esto requiere que se tengan un conocimiento del tema
y manejo de estructuras algortmicas, adems de un lenguaje de pro-
gramacin. De igual manera, requiere considerar todas las alternativas
posibles de solucin, implicando un mayor grado de aprendizaje en re-
solucin de problemas.
Kadijevich (2005) menciona que no todos los docentes de matemticas se dan

cuenta de la importancia del computador para el modelado. As tengan la dis-
ponibilidad de las herramientas (computadores) para ser usadas en la practicas
educativas, no las usan con frecuencia, debido a que probablemente no tienen el
conocimiento y las habilidades para darles un mejor uso. Podra decirse que las
matemticas ayudan para que se d un uso ms eficiente y adecuado de las he-
rramientas para ayudar a mejorar en beneficio del aprendizaje. Cuando los estu-
diantes usan la tecnologa para aplicar conceptos adquieren un mejor dominio de
las aplicaciones y del modelado por los resultados que observan. Por esta razn, se
dan cuenta de que ya no desean hacer clculos manuales con lpiz y papel.
De acuerdo con los planteamientos anteriores, puede verse un recorrido por
soluciones que han aportado en ayudar a incorporar los procesos de ensean-
za-aprendizaje con nuevas tecnologas para el desarrollo de las competencias
de modelado en la formacin de los ingenieros de diversas reas.
Duarte (1998), con su proyecto Homos, ofrece un marco de referencia y una
herramienta en el modelamiento y simulacin de sistemas que contemplan el es-
pacio, fundamentados en los principios de Autmatas Celulares y en la Tecnologa
Orientada a Objetos. Soporta un nuevo enfoque educativo, donde los conoci-
mientos sern asimilados por experiencia y anlisis de fenmenos naturales repre-
sentados mediante un modelo sistmico de objetos y reglas. El modelamiento de
sistemas basado en objetos y reglas tiene la ventaja sobre las dems metodologas
de modelamiento, pues all se tiene en cuenta la variable espacio, la cual permite
acercar a la realidad el comportamiento de los objetos en un ambiente real.
Lpez (2000) incorpora nuevas operaciones y posibilidades a un paquete de
procedimientos de simulacin desarrollado anteriormente en el lenguaje Ma-
thematica (Pace et l., 1999), y codifica el Mtodo de los Nmeros ndice para
la generacin de muestras artificiales, una aplicacin que resuelve el problema
del clculo de reas, y otras dos que efectan la simulacin de dos modelos ma-
temticos diferentes: uno de hidrologa y otro de variables climticas.
Lpez (2004) presenta la necesidad que surgi de mejorar la ensean-
za-aprendizaje de los conceptos que se estudian en el curso de Modelos y Si-
mulacin, dentro de la cual los estudiantes requieren aplicar conceptos previos
152
para poder resolver problemas que son planteados en la asignatura. El software

educativo diseado se orient a facilitar la comprensin de los pasos y las eta-
pas involucradas en el desarrollo de modelos de simulacin. Se trata de herra-
mientas informticas facilitadoras de realizacin de prcticas interactivas que
se implementan como complemento educativo de las clases tradicionales, para
brindarles a los alumnos la posibilidad de adquirir habilidad en el manejo de
los mtodos de generacin de nmeros pseudoaleatorios, muestras artificiales y
pruebas de hiptesis para su verificacin, y la modelizacin y simulacin de pro-
blemas. Los diversos temas del programa de la asignatura Modelos y Simulacin
son aplicados mediante propuestas de trabajos prcticos cuya resolucin obliga a
los alumnos a revisar los conceptos estudiados desde el inicio del curso. Esta si-
tuacin se da tambin entre asignaturas, ya que los alumnos deben aplicar los co-
nocimientos adquiridos en materias de aos anteriores (teora de probabilidades
y estadstica, lenguajes de programacin, etc.). Los trabajos prcticos propuestos
motivan al alumno para que elabore los conceptos estudiados y luego los aplique
en el desarrollo de los programas de simulacin en computadora.
Hilera y Palomar (2005) presentan la especificacin IMS-Learning Design

(LD), la cual permite disear los procesos de enseanza-aprendizaje en forma
de modelos registrados en archivos de fcil reutilizacin como xml. De esta
manera, tambin se valora la utilidad del estndar de modelado de sistemas
denominado UML (Unified Modeling Language) para establecer meta-mode-
los en la especificacin IMS-LD, as como para elaborar modelos dinmicos
que reflejen la organizacin de las actividades de un proceso de ensean-
za-aprendizaje; se justifica la necesidad de disponer de herramientas inform-
ticas para el diseo y ejecucin de los procesos, de forma similar a como ocurre
con los sistemas de workflow; se menciona la importancia de la colaboracin
entre expertos en tecnologas de la informacin y expertos en pedagoga para
comprobar, por una parte, la viabilidad en cualquier mbito educativo de los
estndares propuestos y de las herramientas desarrolladas y, por otra, colaborar
en la definicin de nuevos mecanismos para aumentar las posibilidades de la
tecnologa en el mbito del modelado de procesos de enseanza-aprendizaje.
Mario y otros (2007) describen el apoyo de un entorno b-learning de-

sarrollado para la asignatura Modelos y Simulacin, que permita determinar
que es un medio ms conveniente para la distribucin de material interactivo
y aprovechar los recursos tecnolgicos proporcionados por las TIC y su ade-
cuacin atendiendo a las caractersticas de los alumnos. Presenta aplicaciones
prcticas de los tres ejes principales de la asignatura: nmeros aleatorios, mues-
tras artificiales y modelos de simulacin, con ejercicios prcticos de ejemplo
(diagramas de flujo), descripcin del software cuyo propsito es favorecer el
uso de lenguajes de programacin en la solucin de los problemas.
153
Durn, Costaguta y Gola (2011) obtienen buenos resultados en los proce-

sos de enseanza y de aprendizaje en la asignatura Simulacin, al combinar el
modelo b-learning con mtodos colaborativos, y sugieren que ambos enfoques
deben ser considerados como una alternativa vlida en las planificaciones fu-
turas de esta asignatura y de otras con caractersticas similares.
El modelado y la simulacin como herramientas para el fortalecimiento

de intervencin en sistemas educativos
La naturaleza del aprendizaje en educacin superior cambiar sustancial-

mente y las tecnologas de la informacin sern un elemento fundamental del
cambio, refieren Norris, et l. (1996). Entre otros puntos sealan que, en vez
de aprendizaje continuado, ser aprendizaje perpetuo; en lugar de sistemas de
aprendizaje separados, habr sistemas integrados; y en lugar de cursos tradi-
cionales, grados y calendarios acadmicos. Las experiencias de aprendizaje es-
tarn basadas en las necesidades del aprendiz.
El aprendizaje se lleva a cabo cuando alguien recoge informacin del en-
torno en funcin del desarrollo de un proyecto. Para Andersen (1991) la capa-
cidad de las personas para asimilar informacin e interactuar con ella depende
en gran medida de cmo se presente dicha informacin. Por este motivo, la
educacin en la universidad juega un papel importante en la formacin de pro-
fesionales, cuyos objetivos de la educacin son: adquisicin de conocimientos,
estructuracin y desarrollo de la mente, facilidad para identificar, conceptuali-
zar y modelizar situaciones, capacidad de razonamiento y solucin de proble-
mas, desarrollo de capacidades de innovacin, adaptacin al cambio y control
de la inestabilidad y capacidad de comunicarse con los dems (Pazos 2001).
Al citar caractersticas de los aos 90 como la internacionalizacin de la
economa, globalizacin de la comunicacin e informacin y diversificacin del
empleo, sealan Marchesi et l. (1998) que los sistemas educativos deben pre-
parar a sus alumnos para las nuevas demandas. Los cambios educativos son in-
evitables y necesarios. Estando inmerso el sistema educativo en una sociedad
en constante transformacin, no es posible pensar que la institucin educati-
va puede mantenerse alejada de las modificaciones que permanentemente van
sucediendo. (p. 35). Por eso Toms et l., (1999) proponen considerar nuevos
contenidos y competencias en el currculum, nuevos instrumentos y recursos
para la docencia y su gestin, acceso a todo tipo de informacin, nuevos canales
de comunicacin para el aprendizaje y la colaboracin, nuevos escenarios edu-
cativos asncronos (flexibles, interactivos, personalizados) y nuevos mtodos pe-
daggicos (nuevas formas de comunicacin y aprendizaje, ensear a aprender).
154
Salinas (1996) destaca la necesidad de nuevos estilos de enseanza que

conduzcan a adecuar a los tiempos de cambio a los futuros profesionales. Esto
supone lograr una enseanza ms activa as como un protagonismo mayor de
los estudiantes en su propio aprendizaje. Ketudat (2000) indica que debe dar-
se a las personas no solo habilidades generales y vocacionales, sino habilida-
des de aprendizaje y mentes perceptivas: el amor por aprender y habilidades
de aprender a aprender; es decir, deuteroaprendizaje segn Antonio A. et l.
(2003). Lucas (2000) propone que la educacin sea universal, esto es que afec-
te a todos, y obligatoria; durante toda la vida, con procedimientos adaptables y
sistemas educativos flexibles. Mayorga (1999) refiere que en la educacin del
futuro ser ms importante aprender a aprender que memorizar contenidos es-
pecficos, la bsqueda y el uso de la informacin para resolver problemas que
la transmisin de datos, los mtodos activos y personalizados que los pasivos y
estandarizados. Tambin cambia la concepcin de lo que significa ser maestro:
de transmisor de conocimientos a facilitador del proceso de aprendizaje, que
aprende continuamente l mismo.
El modelado y la simulacin ocupan un papel muy importante en las inves-
tigaciones cientficas, desarrollos tecnolgicos, proyectos empresariales debido
a que el mercado actual es muy dinmico. Hoy da se utilizan como un factor
fundamental en la educacin ya que permiten resolver problemas de modelado
de procesos, como el diseo y la simulacin, de igual manera para entrenamien-
to de situaciones prcticas, como base para juegos instructivos, en las matemti-
cas, la estadstica o aplicaciones de ingeniera, tambin se utilizan en el mercado
para resolver problemas de diseo, simulacin, sntesis, optimizacin, inclusive
en la enseanza de la fsica, permite ver sus modalidades de aplicacin para im-
plementar experimentos de laboratorio y su funcin pedaggica, en otras reas
han facilitado el entrenamiento de pilotos de avin (por medio de simuladores
de vuelo) y en actividades ms recientes como en el aprendizaje que hacen m-
dicos anestesistas con cuerpos humanos artificiales.
Ante estos aspectos el modelado y la simulacin cobran una gran importan-
cia ya que requiere que quien vaya a aplicar estos conceptos a la solucin de cual-
quier problema, adquiera habilidades para comprender claramente el alcance
general de las herramientas computacionales disponibles, las tendencias que se
estn dando, la necesidad de disear sus propias herramientas para modelar pro-
blemas especficos en cualquier rea o adquirir o utilizar productos nuevos que
aporten al desarrollo del tema a ensear y aprender como apoyo a la educacin.
Finalmente, podra concluirse segn Rodrguez (2009): Una simulacin
educativa es una poderosa tcnica que ensea algunos aspectos del mundo
mediante su imitacin o rplica. Est basada en un modelo de un sistema o
155
fenmeno del mundo real en el que se han simplificado u omitido algunos ele-
mentos para facilitar el aprendizaje (p. 23).
Marco conceptual
El modelamiento en la educacin matemtica permite que los estudiantes
puedan aprender a: aplicar los conceptos en las situaciones de su mundo real,
desarrollar estrategias para la solucin de problemas y ser crticos en cuanto
a planteamientos de otras personas. De acuerdo a Villa-Ochoa (2009), Bas-
sanezi (2002); Villa-Ochoa, (2007); Blum et l, (2007), de modo general, la
modelacin puede surgir de un problema o situacin del mundo real lo cual
demanda actividades de simplificacin y estructuracin buscando una delimi-
tacin y precisin de la situacin o problema.
Con la recoleccin de datos se provee ms informacin sobre la situacin
y se sugiere el tipo de modelo matemtico que puede ser apropiado para di-
reccionar el problema del mundo real. A travs de un proceso de matematiza-
cin, los objetos relevantes, los datos, las relaciones, condiciones e hiptesis de
la situacin o problema en cuestin se integran resultando as un modelo ma-
temtico a travs del cual se orienta el problema identificado. Para Blum y sus
colaboradores, el proceso de modelacin no finaliza con la obtencin del mo-
delo, sino que, por el contrario, se hace necesario usar algunos mtodos y pro-
cedimientos matemticos (hiptesis matemticas, resultados tericos, solucin
de ecuaciones, estimaciones numricas, pruebas estadsticas, simulaciones, etc.)
para obtener resultados matemticos pertinentes con las preguntas derivadas
de la traslacin del problema del mundo real. Blum et l. (2007) establecen que
dichos resultados matemticos deben ser traducidos nuevamente al contexto
de donde fueron derivados para realizar un proceso de interpretacin.
Finalmente, el solucionador de problemas valida el modelo mediante la
comprobacin de los resultados matemticos y su interpretacin como razo-
nables y compatibles en trminos de la informacin dada en el problema origi-
nal. Cuando el proceso de validacin arroje resultados no satisfactorios todo el
proceso debe repetirse con una modificacin o un modelo totalmente diferen-
te. Por ltimo (si se logra), la solucin del problema original del mundo real, y
cuando proceda, se comunicar a los dems.
El modelamiento puede apoyarse en la representacin con herramientas com-
putacionales; as podr obtener mejores resultados y formas de interpretacin. Por
estas razones, es importante la mencin de Mnera (2002) cuando se refiere al
concepto de representacin como gran complejidad, y admite diferentes posibi-
lidades de interpretacin; es ampliamente aceptada la acepcin en la que se piensa
156
la representacin como el acto a travs del cual algo est en lugar de, o evocando
a, otra cosa ausente. Kaput (1987a) propone que toda representacin hace refe-
rencia a dos dominios claramente diferenciados e interrelacionados: el mundo re-
presentante (la representacin, lo simblico) y el mundo representado (el objeto,
el concepto). Tambin propone que la actividad representacional es intrnseca a
la actividad matemtica misma, dado que los objetos conceptuales son abstractos
y no se puede acceder a ellos sino a travs de sus representaciones. La actividad
matemtica misma es impensable por fuera de los sistemas utilizados en la repre-
sentacin. Aparece pues, una unidad indisoluble que plantea que los sistemas de
representacin representan los conceptos matemticos, pero a su vez, los con-
ceptos matemticos se estructuran a partir de los sistemas de representacin. Esta
identidad hace que los sistemas de representacin jueguen un papel fundamental
en los procesos de aprendizaje de las matemticas.
Adicionalmente, en el hacer matemtico, la representacin de unas estruc-

turas por otras es una actividad natural y ha permitido enormes desarrollos a
las matemticas. Muestra de tal actividad representacional se puede ver en los
morfismos, en los isomorfismos, en las construcciones algebraicas, en las repre-
sentaciones geomtricas, etc. As pues, las experiencias de aula deben permitir
al alumno construir significados a partir de la interaccin con diversos sistemas
de representacin. Pero esta interaccin no debe quedarse en el acto de traducir
de un sistema a otro. Se debe posibilitar, en trminos de Duval (1999), la coor-
dinacin entre sistemas de representacin.
Esta coordinacin debe entenderse como la posibilidad de identificar los

elementos estructurales que, en un sistema de representacin dado, estn cum-
pliendo con la funcin de la representacin, y ponerlos en relacin con los
elementos estructurales del otro sistema de representacin. As, se puede de-
terminar cmo un sistema influye en el otro o viceversa, y cmo, en su conjun-
to, determinan la pluralidad de sentidos y significados para el o los conceptos
matemticos representados.
Rodrguez (2005) destaca la importancia de que algunos han dado al uso de

herramientas computacionales en la formacin matemtica, tal como lo men-
ciona Bishop (1989) una computadora ayuda al proceso de visualizacin, y que
esta ha desempeado un papel importante en los trabajos de investigacin re-
lativos a la visualizacin, con resultados positivos que parecen indicar que el
poder generar y manipular imgenes en la computadora estimula las habilida-
des de visualizacin mental e incluso la comprensin de ideas algebraicas. Para
Hitt (1995) la promocin de nuevas tecnologas en la enseanza de las mate-
mticas permite hacer simulaciones y a travs de ellas se construye un puente
entre las ideas intuitivas de un alumno y los conceptos formales.
157
Metodologa
En la presente seccin se describe con detalle la metodologa y estrategias
que se llevaron a cabo en el desarrollo del proyecto Red de Modelamiento y
Representacin Formal en Matemticas; desde el punto de vista del desarrollo
de competencias de modelamiento apoyado en herramientas computacionales.
Se observar que en el desglose del mismo, se destaca el software MatLab de la
empresa Mathworks, como aplicativo que soporta la categora de argumenta-
cin; sin embargo, se utilizaron otras herramientas igual de importantes y que
sern tratadas en el momento de requerirse.
Condiciones previas a las actividades
La distribucin de condiciones previas se llev a cabo con algunas diferen-

cias en las dos instituciones participantes.
Para el caso de la Universidad Central, el estudio de la representacin com-
putacional de los conceptos y los casos de experimentacin fueron desarro-
llados en el software matemtico MatLab; el cual se escogi ya que es un
lenguaje de alto funcionamiento para computacin tcnica; este integra com-
putacin, visualizacin, y programacin, en un entorno fcil de usar donde los
problemas y las soluciones son expresados en la ms familiar notacin mate-
mtica. El trabajo en el rea computacional de los casos se desarroll en dos
niveles acadmicos distintos:
1. En la asignatura matemticas III de tercer semestre.
2. En la asignatura de Modelado y Simulacin de quinto semestre.
Para el caso de la Universitaria de Investigacin y Desarrollo UDI se apli-

c de la siguiente forma:
1. En la asignatura Matemticas III de tercer semestre mediante el uso
del software MatLab.
2. En la asignatura de Dinmica de sistemas de noveno semestre me-
diante la ejecucin de simulaciones usando la hoja de clculo del Goo-
gle Drive.
Todas las asignaturas incluidas en la experimentacin forman parte de los
planes curriculares de la Facultad de Ingeniera de la Universidad Central de
Bogot y de la Universitaria de Investigacin y Desarrollo de Bucaramanga.
En las dos asignaturas se seleccionaron dos grupos paralelos, uno de la Uni-
versidad Central, ubicada en Bogot, y otro de la Universitaria de Investi-
158
gacin, de Bucaramanga. Las versiones computacionales de los casos fueron

diseados por los docentes responsables de las asignaturas, en concordancia
con los contenidos programticos de estas. Cada caso tiene versiones de traba-
jo correspondientes: verbales, algebraicas y diagramticas previas a la ejecucin
del caso en la representacin computacional. Un detalle a resaltar en el diseo
de los casos es que las versiones computacionales estn encadenadas con las
versiones diagramticas; en las que se trabajaban diagramas de procesos.
A continuacin, se hace una descripcin general de las partes relevantes de
los documentos que contienen cada uno de los casos, y el cual es ilustrado en
la figura 1.
Figura 1. Ejemplo de caso presentado a los estudiantes
Informacin general de la actividad: en esta seccin del documento se

especifica los detalles ms generales del caos: nombre del caso, asignatu-
ra en la que se aplica el caso, temtica del contenido programtico de la
asignatura que est relacionada con el caso, fecha de la sesin y duracin
estimada de la misma.
Competencias que se espera que el estudiante aprenda: se listan las
competencias mnimas que se espera que los estudiantes adquieran me-
diante el desarrollo del caso durante la sesin.
Plan de trabajo: se describen los momentos en los que se divide la se-
sin y la duracin de cada uno; a saber:
159
Primer momento. Lectura del planteamiento del caso.
Segundo momento. Desarrollo del caso utilizando el software MatLab.
Tercer momento. Revisin del proceso y solucin del caso por parte del
docente.
Cuarto momento. Autoevaluacin-logros, dificultades, sugerencias y

conclusin.
Quinto momento. Transferencia a otros contextos del problema.
Contexto del caso de aplicacin: se describe la situacin de la vida coti-

diana en la que se enmarca el problema a solucionar en el caso.
Problema: se enuncia la particularidad en la que el caso tiene lugar, as

como las preguntas que deben ser contestadas por el estudiante.
Informacin adicional: se agrega informacin adicional al contexto del

problema, que es til para la solucin del problema propuesto.
Transferencia de la solucin: se listan uno o ms cuestionamientos re-

ferentes a la temtica del caso. Estos pretenden que el estudiante analice
como la solucin o simulacin desarrollada en la sesin, podra usarse en
otros contextos de aplicacin.
Solucin propuesta: se plantea la solucin computacional que el docen-

te propone para el problema.
El objetivo principal del diseo de las versiones de casos computaciona-

les es resaltar la importancia de la solucin a problemas de todo tipo, que re-
presenta el uso de los computadores, mediante la simulacin de sistemas, y el
aprovechamiento de la capacidad de clculo de estos. A su vez, cabe resaltar
que los docentes que participaron en la experiencia poseen una buena can-
tidad de conocimientos en diseo de algoritmos, programacin y la sintaxis
usada en MatLab; adems, antes de la implementacin de las sesiones de tra-
bajo computacional, se instruy a los estudiantes en el manejo bsico de Mat-
Lab (a travs de dos sesiones tutoriales en cada universidad). En la tabla 1 se
presentan la cantidad de estudiantes por asignatura, el cual es una variable de
inters para el anlisis.
160
Tabla 1. Informacin general de las pruebas
Institucin Asignatura Cantidad de estudiantes participantes
UNIVERSIDAD CENTRAL MODELAMIENTO Y SIMULACIN 20
UNIVERSIDAD CENTRAL MATEMTICAS III, GRUPO 1 21
UNIVERSIDAD CENTRAL MATEMTICAS III, GRUPO 2 21
UDI DINMICA DE SISTEMAS 35
UDI MATEMTICAS III 25
Procedimiento ejecutado
La implementacin de las versiones computacionales de los casos de expe-

rimentacin se describe a continuacin:
Universidad Central
Modelamiento y Simulacin: en M&S se implement la metodologa de

casos del proyecto en el grupo 1.6 dirigido por el docente Albert Montenegro.
Se trabajaron 3 casos en versin computacional durante el semestre, los cuales
son presentados en la tabla 2
Tabla 2. Relacin de casos Universidad Central M&S
Nmero Nombre del caso Temtica relacionada con el caso Cantidad de estudiantes participantes
1 Semforo Errores de mquina 18
2 Poblaciones Mtodo de Euler y regresin lineal 17
3 Transmilenio Teora de colas 20
Matemticas III: en Matemticas III se implement la metodologa de ca-

sos del proyecto en dos grupos. En el grupo 1 y grupo 2 se trabaj un caso en
versin computacional, el cual se relaciona en la tabla 3.
Tabla 3. Relacin de casos Universidad Central Matemticas III- Grupo 1
Resolucin numrica de ecuaciones 21 (grupo 1)

1 Euler
diferenciales 18 (grupo 2)
161
Universitaria de Investigacin y Desarrollo (UDI)
Matemticas III: en Matemticas III se implement la metodologa de ca-

sos del proyecto en un grupo (tabla 21).
Tabla 4. Relacin de casos UDI - Matemticas III
1 Anlisis poblacional Ecuaciones diferenciales de primer orden 25
En cada sesin, despus que el docente del curso comparta el enunciado

del caso, los estudiantes trabajaban de manera individual en el software Mat-
Lab, con el fin de desarrollar la solucin del problema propuesto. El docente
monitoreaba el progreso de los estudiantes y eventualmente socializaba con-
ceptos claves que pretendan guiar a los estudiantes hacia la solucin.
La ltima parte de las sesiones se invertan en hacer la retroalimentacin
de la solucin del problema propuesto y recolectar las soluciones realizadas por
los estudiantes para su posterior anlisis y evaluacin.
Dinmica de sistemas: durante la fase de experimentacin del proyecto, con
el curso de Dinmica de Sistemas se utilizaron los casos de la tabla 22 en la re-
presentacin computacional.
Tabla 5. Relacin de casos UDI Dinmica de sistemas
1 Computacin en la nube Modelamiento cuantitativo 35
2 Papel o plstico Modelamiento cuantitativo 35
En la UDI, el planteamiento los casos erar entregados con al menos cuatro

das de anticipacin para que los estudiantes tuvieran tiempo de leerlos, com-
prenderlos y buscar documentacin adicional. Para las sesiones en las que los
estudiantes deban implementar el modelo matemtico para su simulacin por
computador, trabajaron en grupos de 4 o 5 estudiantes, utilizando la hoja de
clculo de la plataforma Google Drive, cada uno desde un computador distin-
to, evitando estar en puestos adyacente para evitar que durante la discusin del
caso tuvieran comunicacin oral y recurrieran a la comunicacin escrita por
medio del chat incluido en la herramienta.
La simulacin por computador ha sido el principal objetivo del modela-
miento con Dinmica de Sistemas, especialmente en la lnea ortodoxa. Existe
162
variedad de herramientas software para este propsito, pero se puede llevar a

cabo con herramientas de propsito general como las hojas de clculo.
Anlisis de datos y resultados

Se dise una plantilla para medir cuantitativamente las habilidades en el
rea computacional de los estudiantes. Dicha plantilla representa separada-
mente las partes fundamentales de un programa, a saber:
Definicin de variables claves.
Sentencias de asignacin.
Estructuras de decisin.
Estructuras repetitivas.
Sentencias de salida: textuales o grficas.
La plantilla de evaluacin compara la solucin propuesta del docente con-
tra la solucin propuesta de cada estudiante, medida en cada una de las partes
fundamentales antes mencionadas.
Puesto que en algunos casos se solicit a los estudiantes comentar lneas de
cdigo, con la pretensin de medir su conocimiento de la sintaxis y la semn-
tica del software, se incorpor en la plantilla para dichos casos la medicin de
los nmeros de lneas principales descritas de manera adecuada.
La plantilla usa una variable principal que resume y combina los valores
cuantitativos en un ndice, que pretende medir qu tan acertado es el uso de la
herramienta computacional que hace el estudiante para modelar el problema.
Se dio el nombre de eficacia a la variable que contiene este ndice. La efica-
cia se defini como sigue: ndice de validez=nmero de procesos vlidos del
estudiante/nmero de procesos propuestos por el experto.
Por la definicin anterior, debe enfatizarse que el valor de la validez est
en el intervalo [0,1], donde validez 0 indica que el estudiante no realiza nin-
guna de las partes del modelo computacional de manera adecuada y la validez
1 indica que el estudiante propuso un modelo computacional igual o similar al
que el experto plante.
Plantilla de evaluacin
A continuacin, se describen detalladamente las variables que forman la
plantilla general de evaluacin de la competencia de modelado computacional,
la cual se aplic a los programas generados por los estudiantes durante las se-
siones de clase (tabla 6).
163
Tabla 6. Descripcin de variables utilizadas en la plantilla de evaluacin del modelo computacional
Identificador Descripcin
L Nmero total de lneas a comentar segn el experto.
LC Nmero de lneas a comentadas adecuadamente por el estudiante.
VE Nmero de variables de entrada propuesto por el experto.
VEC Nmero de variables de entrada claves propuesto por el estudiante.
SA Nmero de estructuras de asignacin propuesto por el experto.
SAC Nmero de estructuras de asignacin claves propuestas por el estudiante.
SD Nmero de estructuras de decisin propuestas por el experto.
SDC Nmero de estructuras de decisin claves propuestas por el estudiante.
SC Nmero de estructuras repetitivas propuestas por el experto.
SCC Nmero de estructuras repetitivas claves propuestas por el estudiante.
SG Nmero de sentencias de salida grfica propuestas por el experto.
SGC Nmero de sentencias de salida grfica propuestas por el estudiante.
S Nmero de sentencias de salida textual propuestas por el experto.
SC Nmero de sentencias de salida textual propuestas por el estudiante.
Indicador de validez total, corresponde a la relacin entre la sumatoria de los xitos del estudiante
sobre el total de respuestas solicitadas por el docente.
IE Este parmetro es cuantificado as:
En esta figura de mrito, el estudiante con todas las respuesta correctas del caso, en las diferentes
categoras, obtendr un IE=1. A medida que el valor dista de 1 el resultado es ms deficiente.
Una sentencia o estructura de programacin se considera clave, si la falta

de esta hace que el programa no genere los resultados requeridos. La tabla 7
muestra una de las plantillas ya tabuladas:
164
Tabla 7. Ejemplo de tabulacin de datos del modelo computacional
165
Anlisis de resultados
El inters principal de la evaluacin mediante la plantilla es medir en qu

porcentaje el estudiante realiz un modelo computacional cercano a la solu-
cin proporcionada por el experto docente, a travs de la combinacin de las
partes fundamentales del programa.
En cada una de los casos se hizo un estudio descriptivo de los datos de la
variable validez, para tener una idea general del nivel de conocimientos en
programacin de los estudiantes, pues este indicador sintetiza cada uno de los
componentes analizados en el programa. La tabla 8 muestra las medias y des-
viaciones estndar de esta variable en los diferentes cursos.
Tabla 8. Medias y desviaciones estndar para la variable validez en la simulacin para los diferentes cursos.
Universidad Curso Media Desviacin estndar
Central Modelamiento y Simulacin 0,26 0,16
Central Mat III 0,48 0,17
UDI Dinmica de Sistemas 0,25 0,16
UDI Mat III 0,33 0,40
Promedio 0,35 0,24
Luego se estudi la relacin estadstica entre la validez, como variable in-

dependiente, y la nota obtenida en el examen final escrito o examen del corte
3, como variable dependiente. La herramienta estadstica que se uso fue la re-
gresin lineal.
El anlisis se muestra de forma independiente para cada una de las asig-
naturas involucradas, pues se considera que las condiciones de los grupos ex-
perimentales fueron diferentes en trminos de los casos aplicados y de las
herramientas computacionales utilizadas.
Modelamiento y Simulacin - Universidad Central. Las medias de va-
lidez para los tres casos fueron: 0.25, 0,36 y 017, para un promedio de 0,26.
Como se puede observar, los promedios de validez son notoriamente bajos.
Esto quiere decir que los estudiantes tuvieron pocos aciertos comparados con
el desarrollo de los programas en MatLab, los cuales fueron elaborados para
solucionar los problemas de los tres casos que se les presentaron a lo largo del
curso. Se esperara, en una situacin esperada que los promedios estuvieran por
encima de 0.5.
La tabla 9 muestra las correlaciones estadsticas entre la validez en cada
uno de los casos y las calificaciones en los exmenes posteriores. Las correla-
166
ciones entre validez en la solucin de los casos y las notas en el examen que
sigui a la solucin del caso no son significativas. Tampoco hay relacin signi-
ficativa con las notas de las evaluaciones posteriores.
Tabla 9. Tabla de correlaciones entre validez y calificaciones
NOTA1 NOTA2 NOTA3
VALIDEZ CASO 1 0,43 -0,18 -0,04
VALIDEZ2 0,18 0,17
VALIDEZ3 0,24
La validez computacional promedio en los casos de la asignatura de Mode-

lamiento y simulacin en la Universidad Central son bajos, lo que muestra las
deficiencias en programacin de los estudiantes. Por otro lado, no hay eviden-
cia estadsticamente significativa que relacione la validez con la nota del exa-
men escrito en ninguno de los casos.
Matemticas III - Universidad Central. La tabla 8 muestra la media y
desviacin estndar correspondientes a este curso. La media de 0.48 y la des-
viacin de 0.17 muestran el rendimiento ms alto en el conjunto de los cursos
con los cuales se experiment. Sin embargo, no se supera el nivel del 0.5 y se
ubica como rendimiento bajo. Y muestra validez en programacin de los es-
tudiantes. Por otro lado, no hay una correlacin significativa de la validez con
las evaluaciones del curso.
Dinmica de Sistemas, Universitaria de Investigacin y Desarrollo
(UDI). Las estadsticas que describen la validez (tabla 8) muestran un nivel de
validez de 0.25, valor definitivamente bajo. En consecuencia, la correlacin
con el rendimiento en el examen final no es significativa (r=0.184).
Las deficiencias de los estudiantes en sus competencias de programacin son
evidentes. Un anlisis ms especfico de las soluciones planteadas muestra que
proponen correctamente las ecuaciones diferenciales asociadas a los niveles del
modelado en dinmica de sistemas, que se caracterizan por la forma de Euler,
pero se les dificulta la formulacin de las ecuaciones auxiliares cuyos modelos
matemticos estn relacionados con representaciones algebraicas, geomtricas o
de otro tipo y fallan en la consistencia entre las unidades de medida, lo que al fi-
nal genera un programa computacional que aunque funciona, no proporciona los
resultados matemticamente adecuados.
Esto denota problemas directamente relacionados con el modelamiento al-
gebraico de la solucin, que posteriormente se reflejan en un modelamiento
computacional deficiente.
167
Por otro lado, no hay evidencia estadsticamente significativa que relacione

la validez con la nota obtenida en el examen final o examen del corte 3, lo que
indica que el desempeo en la solucin de problemas mediante la representa-
cin computacional no es un predictor de la nota obtenida en el examen final.
Matemticas III - Universitaria de Investigacin y Desarrollo UDI. Una
media de 0.33 y una desviacin estndar de 0.40 muestran un bajo nivel de va-
lidez y una gran dispersin de los datos. La correlacin entre validez y resulta-
dos en el examen final es de 0,34794, no significativa.
Hay que tener en cuenta que no hay evidencia estadstica que relacione la
validez con la nota obtenida en el examen final o examen del corte 3, lo que
indica que el desempeo en la solucin de problemas mediante la representa-
cin computacional no es un predictor de la nota obtenida en el examen final.
Anlisis particular del caso Modelamiento y Simulacin
La asignatura de la que se tienen datos suficientes para hacer un estudio

ms profundo de las posibles relaciones entre la validez de los casos y las notas
que los estudiantes obtuvieron a lo largo del semestre es Modelamiento y Si-
mulacin de la Universidad Central.
A continuacin, se mostrarn los resultados que se obtuvieron al ejecutar un

anlisis de regresin lineal mltiple entre la validez, medidas en los casos y las
notas obtenidas por los estudiantes (tabla 10). Los valores de F no alcanzan a
mostrar una relacin significativa entre las parejas de variables. Los pesos beta
de las dos variables independientes no muestran efecto significativo sobre la
variable dependiente.
Tabla 10. Tabla de valores beta, t y p obtenidos en el anlisis de regresin en el curso de Modelamiento y Simulacin
Variable Independiente Variable depediente Beta T P
validez CASO1 Nota al 30% 0,426074 1,88385 0,077890
validez CASO1 Nota al 60% -0,329024 -1,20265 0,247753
validez CASO2 Nota al 60% 0,332537 1,21549 0,242964
validez A CASO1 Examen final -0,137120 -0,476252 0,641242
validez A CASO2 Examen final 0,189399 0,648291 0,527288
validez CASO3 Examen final 0,216012 0,832174 0,419280
168
Conclusiones
Se presentaron diferencias importantes entre los cuatro escenarios de expe-
rimentacin; es decir, entre los cursos de Matemticas III, de Modelamiento y
Simulacin y de Dinmica de Sistemas. No obstante, el estudio estadstico in-
dividual de la validez muestra que en ninguno de los escenarios, los estudiantes
mostraron un nivel adecuado de habilidades para implementacin de progra-
mas de computador. Esta situacin se evidencia a partir de la variable validez
en la representacin computacional, la cual tiene valores muy bajos. Esta espe-
cie de efecto piso explica la baja relacin con las calificaciones del examen final.
Probablemente, la relacin se dara si las habilidades para desarrollar simula-
ciones con el uso del lenguaje de computador estuvieran ms desarrolladas.
Los docentes de las asignaturas indican algunas dificultades adicionales que
se presentaron en las sesiones computacionales de los casos, que probablemente
impidieron el desarrollo de competencias en modelado computacional, como:
Los laboratorios de cmputo no estaban a disposicin en algunas de las
sesiones o se presentaron problemas de red.
La habilidad en programacin de algunos docentes no era suficiente
para hacer un acompaamiento adecuado a los estudiantes.
El conocimiento bsico de los estudiantes sobre las herramientas com-
putacionales utilizadas en el proceso de programacin no fue el adecua-
do, y el entrenamiento proporcionado no fue suficiente para lograr una
competencia tecnolgica mnima, lo que se reflejaba en continuas pre-
guntas sobre la sintaxis en algunas instrucciones, que se suponan ya co-
nocidas.
En algunos casos la deficiencia de las soluciones planteadas en lo com-
putacional estn relacionadas con un desempeo insuficiente en el mo-
delamiento desde lo algebraico y por ende es necesario enfatizar en este
componente del modelamiento matemtico.
Sugerencias
La utilidad de las simulaciones en computador es reconocida en los escena-
rios de la ingeniera, de tal manera que difcilmente se encuentran posiciones
que la rechacen. Sin embargo, tambin es reconocida la dificultad que implica
adquirir la competencia para programar en lenguajes de computador. En nues-
tro enfoque, la representacin en lenguaje de computador de las soluciones a
problemas tiene un valor especial para habilitar la transferencia de soluciones
169
entre contextos. Animados por estas motivaciones presentamos algunas suge-

rencias para la implementacin de metodologas similares a las implementadas
en el proyecto que podran mejorar la adquisicin de competencias de repre-
sentacin computacional:
Asegurar la disponibilidad y calidad de los espacios fsicos para el desa-

rrollo de las sesiones.
Capacitar a los docentes en el manejo de las herramientas de computa-

cin utilizadas en el proyecto.
Beneficiar a los estudiantes con la adquisicin temprana de habilida-

des de programacin. En consecuencia, se sugiere que se forme a los
estudiantes en programacin desde el primer semestre de sus carreras
universitarias para que este tipo de metodologas puedan ser implemen-
tadas en cursos de semestre bajos y la programacin se convierta en es-
trategia de investigacin y aprendizaje.
Adicionar a los contenidos programticos de todas las asignaturas re-

lacionadas con modelamiento un componente de programacin para
incrementar paulatinamente las competencias de los estudiantes en el
modelado computacional.
Desarrollar pilotajes previos de los casos con un grupo de estudiantes,

con el fin de afinarlos en complejidad y longitud, para que estn acordes
con el tiempo disponible y las habilidades de programacin promedio.
Incluir en los casos sugerencias de revisin de estructuras y procesos

computacionales especficos en el lenguaje que se est usando. De esta
manera, se induce el estudio y aplicacin de la programacin a los pro-
blemas especficos.
Referencias
Duarte, C. E.; Lozano, O. A. y Andrade, H. (2000). HOMOS 1.0 Herramien-
ta Software para el Modelamiento y Simulacin Basado en Objetos y Reglas.
Colombia.
Durn, E., Costaguta, R., Gola, M. (2011). El modelo B-learning implementado

en la asignatura simulacin. RIED. Revista Iberoamericana de Educacin a
Distancia, 14 (2): 149-166.
170
Hilera, J. R. y Palomar, D. (2005, abril). Modelado de procesos de enseanza-

aprendizaje reutilizables con XML, UML e IMS-LD. Publicacin en l-
nea. Murcia (Espaa). Ao IV. Nmero monogrfico III.
Kadijevich, Dj., Haapasalo, L. y Hvorecky, J. (2005). Using Technology in Appli-

cations and Modelling. Teaching Mathematics and its Applications, 24(2-
3): 114-122.
Kofman, H. A. (2000). Modelos y simulaciones computacionales en la enseanza de

la fisica. Revista Educacin en Fsica, 6: 13-22.
Lpez, M. V., Mario, S. I., Pace, G. J., Petris, R. H. (2000). Desarrollo de mo-
delos de Simulacin en Matemtica. LPM -Laboratorio de Programacin
Multimedial- Departamento de Informtica. Facultad de Ciencias Exac-
tas y Naturales y Agrimensura UNNE. Comunicaciones Cientficas y
Tecnolgicas 2000.
Lpez, Mara V., Mario, S. I. (2004). Desarrollo de software como estrategia

para afianzar el aprendizaje en la asignatura. Modelos y simulacin.
Universidad Nacional del Nordeste. Comunicaciones Cientficas y Tec-
nolgicas. Argentina.
Mario, S. I. y Lpez, M. V. (2007, julio). Aplicacin del modelo b-learning en

la asignatura. Modelos y Simulacin de las carreras de Sistemas de la
Facena- UNNE. Departamento de Informtica. Facultad de Ciencias
Exactas y Naturales y Agrimensura.
Mendible, A. y Ortiz, J. (2007). Modelizacin matemtica en la formacin de

ingenieros. La importancia del contexto. Enseanza de la Matemtica,
Vols. 12 150 al 16; N. Extraordinario; 2003 2007, pp. 133-150.
Palmeros, A. G. (2005). Innovacin y mejoramiento de la cultura de trabajo, en el

marco de las organizaciones que aprenden. Revista erspectivas Docentes, 31:
31-38. Universidad Jurez Autnoma de Tabasco.
Mario, S. I. Lpez, M. V. y Vanderland, M. de los . (2007). Construccin de

simuladores como una Instancia de evaluacin formativa en la asignatura
modelos y simulacin de la carrera de sistemas.
Trigueros Gaisman, M. (2009, enero-marzo). El uso de la modelacin en la ense-

anza de las matemticas. Innovacin Educativa, 9 (46): 75-87.
171
Captulo 9
Comunidad web 2.0
para el desarrollo
de competencias matemticas
Caso: proyecto Red de Modelamiento
y Representacin Formal en Matemticas
Adriana Roco Lizcano Dallos*

Dora Janeth Alfonso**
Csar Quintero***
Wilfredo Ariel Gmez****
Introduccin
E n este captulo se relacionan los principales elementos que se tuvieron en

cuenta para el diseo, implementacin y prueba del sitio web 2.0 que sir-
vi de soporte a los procesos de experimentacin desarrollados mediante la
aplicacin de casos de estudio en las asignaturas seleccionadas para el proyecto
Red de Modelamiento y Representacin Formal en Matemticas.
El captulo presenta, en la seccin de antecedentes, la resea de algunas comu-
nidades que han tenido xito en el uso de las herramientas tecnolgicas, espec-
ficamente en el aprendizaje de la matemtica, y que sirvieron como fundamento
para la conformacin de la comunidad web 2.0 del proyecto. Posteriormente se
describen los aspectos ms relevantes del diseo y uso de la comunidad web 2.0,
* M Sc. y docente investigadora de Universitaria de Investigacin y Desarrollo UDI. Grupo

de investigacin Gidsaw.
** M Sc. y docente investigadora de la Universidad Central.
*** Estudiante de Ingeniera de Sistemas, Universidad Central.
**** Estudiante de Ingeniera de Sistemas, Universitaria de Investigacin y Desarrollo.
173
Comunidad web 2.0 para el desarrollo de competencias matemticas
as como el procedimiento y los resultados obtenidos en la ejecucin de una prue-

ba piloto con estudiantes. Finalmente se realiza la propuesta de una metodologa
pedaggica que incluye un conjunto de fases y actividades para la incorporacin
de este tipo de herramientas tecnolgicas en procesos de aprendizaje.
Antecedentes
Comunidades de aprendizaje en matemticas
Una comunidad de aprendizaje es un grupo de personas que comparte el

inters en un dominio de conocimiento particular que las motiva a sociali-
zar mtodos, enseanzas, ideas, material y recursos de conocimiento con el
propsito de que entre todas aumenten su entendimiento sobre temas espe-
cficos. Segn lo resean Lardner y Malnarich (2008), en Estados Unidos la
inclusin de comunidades de aprendizaje en las instituciones educativas tra-
dicionales motiv a los estudiantes de diversas entidades a compartir conoci-
miento e ideas sobre las reas de saber propuestas, a la vez que produjo una
mejor coherencia curricular, mayor integracin entre asignaturas, alta calidad
en el aprendizaje y construccin de conocimiento colaborativo y de habilida-
des y conocimientos relevantes para subsistir en un mundo complejo y diverso.
En el rea de las ciencias bsicas, y ms concretamente en lo que concierne
a las matemticas, se han desarrollado diversos estudios cuyo objetivo es in-
volucrar a los estudiantes en comunidades de aprendizaje con el propsito de
aumentar el grado de retencin de conocimientos. Por ejemplo, el trabajo de
Smith et l. (2008) muestra una comunidad de aprendizaje en la Universidad
de Howard diseada para que los estudiantes pudieran generar habilidades en
la enseanza y entendimiento de las disciplinas concernientes a ciencias bsi-
cas, ingeniera, fsica y matemtica con el fin de acceder a una beca. De acuerdo
con los resultados de ese proyecto, se concluye que las comunidades de apren-
dizaje son mecanismos efectivos para mejorar las habilidades tanto de apren-
dizaje como de enseanza.
De igual manera, Majid et l. (2007) exponen los resultados de un estudio
en la Universidad de Santi, en Malasia, que tena como objetivo incrementar
el aprendizaje de estudiantes inscritos en cursos a distancia de matemticas y
fsica. En el estudio se concluye que, aunque la inclusin de las comunidades
de aprendizaje basta para incrementar el nivel de retencin de conocimiento
de los estudiantes, la insercin de un docente (encargado de gestionar las citas,
proyectos y materiales) potencia los resultados de las mismas.
174
Adriana R. Lizcano D., Dora J. Alfonso, Csar Quintero, Wilfredo A. Gmez
En Canad, se ha realizado un esfuerzo por organizar comunidades de

aprendizaje para la enseanza de temas multidisciplinarios, tomando las mate-
mticas como eje principal. Se usan tecnologas de la informacin para poder
ofrecer a los involucrados acceso a los recursos de conocimiento en perodos
determinados, a la vez que mejorar la integracin de las ciencias bsicas con
las ciencias aplicadas en la solucin de problemas tecnolgicos (Freiman y Li-
rette-Pitre, 2009).
El trabajo realizado por Robutti (2010) en la Universidad de Torino, en Ita-
lia, muestra cmo las comunidades pueden centrarse en el aprendizaje de las
matemticas a travs de artefactos que sirven de enlace para la socializacin
y transferencia de conocimiento. Este estudio utiliza como eje socializador el
uso de calculadoras cientficas y de software de conectividad con el propsito
de enlazar a los estudiantes que comparten los resultados obtenidos en labora-
torios de matemticas.
El proyecto de Bottino y Kynigos (2009) fue desarrollado para la inclusin
de comunidades de aprendizaje digitales de grupos de investigacin en ma-
temticas en la Unin Europea. El propsito fue la creacin de un lenguaje
compartido, tanto explcito como implcito, que facilitara la transferencia de
conocimiento entre los centros de investigacin, y que permitiera agilizar las
investigaciones realizadas y potenciara los resultados de las mismas.
Fortalecimiento del aprendizaje de las matemticas

por medio de la web 2.0
El gusto de los jvenes por la tecnologa facilita el uso de las herramientas de

las TIC y de la web 2.0 en la enseanza de las matemticas, pues despierta en
los estudiantes mayor inters por los contenidos al sentirse en espacios que son
cotidianos para ellos.
Mediante el uso de una web 2.0 para el aprendizaje de las matemticas, el
estudiante puede acceder a los contenidos de las asignaturas, consultar ejercicios
resueltos por medio de archivos multimedia y participar en foros, wikis y blog.
De igual manera, el profesor puede optimizar los tiempos para la ejecucin de
tareas y verificar en lnea, cada vez que lo desee, el trabajo de los estudiantes.
Todo esto disminuye los costos en materiales.
Para que la plataforma web 2.0 sea eficiente y proporcione resultados posi-
tivos, el profesor debe tener una actitud positiva frente a esta forma de ensear,
utilizar una metodologa que est en constante cambio e innovacin, actuali-
zarse continuamente en el uso de las TIC y observar los resultados en el apren-
dizaje de los estudiantes. Como complemento, se recomienda establecer una
175
continua comunicacin entre el profesor y el estudiante mediante el uso del co-

rreo electrnico.
En lo relacionado con la incorporacin de las nuevas tecnologas, en el pro-
yecto se plantearon dos fases:
1. Bsqueda de software matemtico que facilitara la solucin de los pro-
blemas y contribuyera a la preparacin de las clases con teoras, prcti-
cas y procesos de evaluacin.
2. Elaboracin de la comunidad web 2.0, mediante la incorporacin de
los conceptos previos, temas, autoevaluaciones, multimedias y herra-
mientas de participacin y de gestin de calificaciones. En la comuni-
dad web 2.0, los profesores, con capacitacin previa del uso de la web,
debern subir los contenidos tanto estticos como de conceptos pre-
vios y propios de la asignatura.
El objetivo del proyecto fue lograr una mayor compatibilidad entre el uso
de las TIC y la enseanza-aprendizaje de las matemticas mediante una pla-
taforma web 2.0 que tuviera una interfaz de fcil uso para profesores y estu-
diantes.
Algunos ejemplos similares al desarrollo de la plataforma web de comuni-
dad web 2.0 de este proyecto son los presentados por Gonzlez et l. (2006) y
Martnez y Calao (2012).
Gonzlez et l. (2006) presentan el desarrollo del programa Tarima, que
permite preparar, presentar y revisar evaluaciones, ver calificaciones y controlar
asistencia. Para elaborar este programa, primero seleccionaron las teoras y las
prcticas de la clase, y luego informaron sobre el proceso de evaluacin a los
estudiantes. La idea principal de este programa es hacer seguimiento y evalua-
ciones constantes mediante exmenes diseados como formularios web en los
que se presenta la pregunta, el enunciado, la resolucin detallada del problema
y las opciones de respuesta. Una vez que el estudiante seleccione la respuesta,
el programa pasa a la siguiente pregunta; para resolver las preguntas, los estu-
diantes cuentan con el apoyo del software Mathematica, previamente seleccio-
nado por ser el ms acorde con las teoras y las prcticas de la asignatura.
El examen debe estar supervisado por el profesor, y las calificaciones se
muestran tan pronto se termina de solucionar las preguntas. El programa diri-
ge al estudiante a la zona de revisin donde puede ver la solucin de cada pre-
gunta, y conocer y estudiar el ejercicio. El estudiante tambin puede acceder a
un historial personal sobre las notas y asistencia a clases y as saber qu tanto
ha mejorado.
176
Martnez y Calao (2012) plantean el desarrollo de la plataforma web Vir-

tualMates, que pretende que los estudiantes interacten y desarrollen prcticas
matemticas mediante el uso del simulador Maple, el uso de blogs, wikis, la im-
plementacin de webquest y el acceso a contenidos estticos relacionados con
el desarrollo de la asignatura. De igual manera, proponen una metodologa de
trabajo en la web que incluye blogs de contenido multimedia donde se publi-
quen videos informativos sobre los temas de la asignatura, enlaces a otras web,
programacin de actividades grupales para el uso de las wikis, uso de e-mail
para la comunicacin continua entre profesor y estudiantes y fomento del uso
de internet como fuente de informacin.
Propuesta de comunidad web 2.0
En la actualidad, es difcil imaginarse el mundo sin el uso de sistemas elec-

trnicos para todo tipo de comunicacin: basta con tomarse un tiempo para
observar la cantidad de personas que al escuchar el timbre de su celular, bus-
can rpidamente en su bolsillo el equipo para contestar una llamada que quizs
est equivocada o tal vez represente el inicio de un negocio rentable.
Tim Berners y Robert Cailliau crearon hacia 1990 la web, que ha experi-
mentado una evolucin extraordinaria; en particular, cabe anotar que en 2004
se introdujo el concepto de web 2.0 como fruto de esta evolucin.
Antes de la llegada de las tecnologas de la web 2.0 se utilizaban pginas
estticas programadas en HTML (Hyper Text Markup Language) que no eran
actualizadas continuamente. El xito de las .com dependa de web ms dinmi-
cas (a veces llamadas Web 1.5) en las que los sistemas de gestin de contenidos
servan pginas HTML dinmicas creadas al vuelo desde una base de datos
actualizada. En ambos sentidos, conseguir visitas (hits) y proyectar una esttica
en la presentacin de sus elementos eran considerados los factores claves para
el impacto de la pgina web.
Los tericos de la aproximacin a la web 2.0 piensan que su uso est orien-
tado a la interaccin y a las redes sociales, y a la presentacin de contenido que
aproveche los impactos de estas redes mediante la creacin de web interacti-
vas. Es decir, los sitios web 2.0, a diferencia de las web tradicionales, actan ms
como puntos de encuentro o web dependientes de usuarios.
Una comunidad web 2.0 se puede definir como un espacio colaborativo en
internet que crece y se desarrolla con los aportes de sus miembros sobre reas
temticas de inters comn. Estas comunidades se caracterizan por el uso de
las TIC, pero la importancia de las mismas no reside en la infraestructura tec-
nolgica, sino en la sinergia colaborativa generada por el uso de las mismas,
177
ya sea desde computadores de escritorio, tabletas o smartphones que amplan el

panorama de posibilidades para compartir y difundir informacin. Este espa-
cio puede ser pblico o privado, segn las necesidades que tenga la comunidad
o la temtica que se aborde.
En relacin con el proyecto Red de Modelamiento y Representacin For-
mal en Matemticas, debe recordarse que su objetivo fue la creacin de un
espacio virtual a travs de la infraestructura de Renata, que permitiera la incor-
poracin de material en diferentes formatos (texto, audio y video), herramien-
tas como blog, wiki, webcast, la construccin colaborativa de conocimiento y la
administracin de portafolios de evidencias de aprendizaje. Este espacio servi-
r como repositorio de recursos digitales y de soporte para una red de inters
sobre la formacin de competencias de modelamiento en mbitos universita-
rios. Adicionalmente existe la posibilidad de que la comunidad y los recursos
crezcan mediante la vinculacin de nuevos interesados en dicho proceso y la
generacin de grandes beneficios a corto y mediano plazo para las entidades
educativas participantes.
Anlisis y diseo de la comunidad web 2.0
De acuerdo con Argello (2013), en el diseo de comunidades virtuales se

debe tener en cuenta lo siguiente:
1. Facilitar la contribucin de los participantes y confiar en las interven-
ciones de cada uno de ellos.
2. Permitir que la base de conocimiento de los participantes evolucione
de acuerdo con el cambio en procesos y conceptos.
3. Permitir que el integrante sea conocido y valorar sus contribuciones.
4. Permitir a los miembros de la comunidad evaluar y responder las con-
tribuciones de otros participantes.
A continuacin se describe, segn el estndar IEEE-STD-830-1998, las
especificaciones tcnicas de software y de diseo, as como las de documenta-
cin de anlisis de la comunidad 2.0 del proyecto.
Caractersticas tcnicas
La comunidad 2.0 se desarrolla en lenguajes de programacin web, utili-
zando PHP y administrador de bases de datos MySQL y apoyndose en una
herramienta de gestin de contenidos CMS (como Joomla). Para el diseo, se
establece una plantilla que garantice la uniformidad y una estructura en tipo-
grafa utilizando CSS.
178
Alcance
La comunidad 2.0 est orientada a investigadores involucrados en las reas

de modelamiento y representacin formal en matemticas, y de nuevas tecno-
logas para la educacin.
Tambin est orientada a estudiantes y docentes de instituciones de educa-
cin superior que deseen apoyar sus cursos utilizando la metodologa basada
en casos, problemas y proyectos, especficamente en el rea de las matemticas.
Resumen
Toda la informacin producida en el proceso de experimentacin se pone

a disposicin de la comunidad de Renata mediante una plataforma basada en
el concepto de web 2.0, que se implementa en las universidades. La platafor-
ma sirve como repositorio de recursos digitales y de soporte para una red de
inters sobre la formacin de competencias de modelamiento en escenarios
universitarios, con la posibilidad de que la comunidad y los recursos crezcan
mediante la vinculacin de interesados en el proceso.
Funcionalidad del producto
La comunidad del proyecto Renata 2 permite:

La discusin de casos, problemas, proyectos y dems formulaciones pro-
puestos por los docentes como apoyo al desarrollo de las asignaturas.
La categorizacin de roles (estudiantes, docentes e investigadores) or-
ganizados por proyectos o casos que incluyen mapas, ecuaciones, es-
quemas, con complementos de texto (tipo blog) o de audio y video (tipo
webcast).
La produccin de la comunidad de docentes en forma de unidades di-
dcticas validadas.
La interaccin entre los diferentes roles por medio de las herramientas
de la web 2.0
El almacenamiento y la disponibilidad de documentos producidos en
el desarrollo de casos, problemas y proyectos a cargo de los estudiantes.
Roles finales
En la tabla 1 se muestran tanto los roles que se incorporan en la plataforma

como las acciones que podr realizar cada uno.
179
Tabla 1. Roles que se incorporan en la plataforma
Administrador Investigador Docente Estudiante
Registrar usuarios Registrar docente Catalogar cursos Registrarse

Hacer copias de Eliminar docente Invitar estudiante Acceder a ejercicios
suguridad Aprobar ingreso
Subir artculos Enviar resoluciones
Registrar y eliminar estudiante
Eliminar artculos Construir blogs
Usuarios Disear ejercicios
Asignaturas Consultar docente Determinar tema Escribir
Catalogar comentarios
Programas Consultar estudiante
ejercicios
Instituciones
Asignar bateras
Crear y organizar
Asignar
el foro
visibilidad
Asignar ejercicios
Configurar grupo
Asociar las bateras
Hacer seguimiento
Retroalimentacin
Revisin evaluacin
Publicar
retroalimentacin
Restricciones
La web 2.0 est disponible solo para los usuarios que se registran en la p-
gina web 2.0 del proyecto Red de Modelamiento y Representacin Formal en
Matemticas. De acuerdo con el rol asignado en el momento de la inscrip-
cin, el sistema asignar los privilegios de usuario final.
Adicional al desarrollo de la comunidad 2.0 del proyecto, se elabor un plan
para su socializacin que estuvo integrado por dos procesos de difusin: uno
interno con las instituciones acadmicas involucradas, y otro externo orienta-
do a instituciones y organizaciones que forman parte de la comunidad cien-
tfica en el rea de modelamiento, a investigadores en el rea de la enseanza
matemtica, y a estudiantes y docentes de instituciones de educacin superior.
Socializacin de la comunidad
El uso de las TIC permite a diferentes grupos de personas el acceso a con-

tenidos y materiales educativos que de otra forma sera imposible obtener.
180
Gracias a las facilidades tecnolgicas, en el presente proyecto se puede eva-

luar la interaccin de varios grupos de estudiantes con diferentes herramientas
educativas en una serie de casos desarrollados de manera interdisciplinaria; el
propsito es interactuar con un mayor grupo de docentes, investigadores y es-
tudiantes.
Como se mencion, la socializacin del proyecto se ejecut en dos etapas:
una interna y otra externa.
Socializacin interna
Esta etapa se concentr en instituciones educativas involucradas en el pro-

yecto y tuvo como objetivo la formacin de una comunidad educativa en tor-
no al proyecto con la mediacin de la plataforma web. Para esto, los actores
deban ingresar al sitio web para compartir las experiencias y los conocimien-
tos adquiridos. De este modo, se cre una red interdisciplinaria de investi-
gadores, cuyos nodos iniciales estn representados por los cuatro grupos de
investigacin que desarrollaron el proyecto (Gidsaw-UDI, Tecnice-UCentral,
Tecnimat-UCentral y Kishurim-UHJ).
Socializacin externa
Se llev a cabo de la siguiente manera:

1. Socializacin con entidades afines y conocidas. El grupo de investigadores
y docentes del proyecto divulg el trabajo entre colegas de otras insti-
tuciones con los que tuvieran comunicacin continua con el fin de ge-
nerar nuevos enlaces con diferentes instituciones.
2. Socializacin a la comunidad en general. Mediante la plataforma Rena-
ta, se divulg tanto el proyecto como la comunidad educativa creada
en la plataforma web.
Los enlaces creados con otras instituciones generan nuevos enlaces y, de
esta forma, se va escalando la comunidad. Con mayor nmero de personas y
con apoyo de las herramientas planteadas en el proyecto, se obtienen mejores
procesos de discusin y debate.
Tambin se hizo divulgacin cientfica del proyecto mediante la presenta-
cin de ponencias y artculos; adems de esto, se planearon publicaciones adi-
cionales y seminarios continuos en las instituciones involucradas con el fin de
que nuevas instituciones conozcan el proyecto. Asimismo, se usaron redes socia-
les como Twitter y Facebook, donde tambin se agrupan pequeas comunida-
des de docentes e investigadores alrededor de sus reas de afinidad y actuacin.
181
Pilotaje de la comunidad 2.0 en el proyecto Red de Modelamiento y

Representacin Formal en Matemticas
Condiciones previas
A partir del proyecto de argumentacin que antecedi al proyecto actual,

se definieron las caractersticas que se deban implementar en la pgina web,
entre las que cabe resaltar una opcin para contener proyectos como este y los
que se llegasen a crear.
Una condicin importante era destacar el material de apoyo desarrollado
para cada una de las asignaturas estudiadas por la comunidad de estudiantes;
para ello, en la opcin Proyecto (Renata II) se incorporaron los siguientes
tems:
Clasificacin, a cargo de las universidades, del material de cada espacio
acadmico designado en el proyecto.
Elementos de las asignaturas:
Matriz de competencias
Casos. Cada uno se encuentra propuesto de acuerdo con el plantea-
miento del problema que deber trabajarse en cada una de las di-
versas formas de representacin (verbal, algebraica, diagramtica y
computacional).
Software y manuales de las herramientas de apoyo para cada una de
las representaciones de los casos propuestos.
En la opcin de Comunidad, se public el material para cada sesin de
trabajo, de modo que los estudiantes lo descargaran como requisito para el de-
sarrollo de cada caso de estudio. Los resultados obtenidos en cada sesin se
recolectaron, organizaron y comprimieron para subirlos a la sesin respectiva,
con el fin de que los estudiantes pudieran revisarlos y plantear sus opiniones.
Procedimientos
Uso de la web 2.0 que hace la comunidad en general
En la navegacin bsica, el usuario general de la comunidad web 2.0 se en-

cuentra con las siguientes secciones o elementos:
Interfaz principal de la web para acceder a los contenidos estticos de los
proyectos ejecutados por el grupo de investigadores y al mapa del sitio.
182
Seccin Proyectos donde se publican los desarrollos de los proyectos de

investigacin para que los usuarios revisen tanto la informacin sobre las
competencias que deben desarrollarse en las asignaturas como los casos
trabajados; estas opciones estn disponibles para la Universidad Central
y para Universitaria de Investigacin y Desarrollo (UDI).
Seccin Noticias en la que se publican las ltimas novedades de la Red
Nacional Acadmica de Tecnologa Avanzada (Renata).
Seccin Comunidad para los usuarios registrados. Aqu se presentan
contenidos especficos de la etapa de experimentacin del proyecto y se
facilita la participacin de la red social y de los foros programados.
Uso de la web como apoyo al proceso experimental
Sesin de clase
Se desarrollaron sesiones de trabajo con los estudiantes utilizando cada

forma de representacin (verbal, algebraica, diagramtica y computacional)
con su respectivo software (Argunaut, Derive, DIA y MatLab).
Los materiales para las sesiones de trabajo y los casos propuestos se pla-
neaban previamente y podan ser descargados ingresando con contrasea a la
seccin Comunidad . De igual manera, se poda acceder a la seccin Foro
en la que se propona el caso de estudio del da; en esta misma seccin, es-
taban disponibles los casos estudiados que servan de gua al desarrollo del
nuevo caso.
Participacin en foros
Con el propsito de que los usuarios de la comunidad web 2.0 consultaran

los desarrollos (soluciones) de los casos previos, descargaran los archivos guar-
dados durante las sesiones y accedieran a los documentos de los casos plan-
teados, en la seccin Foro se organizaron por fecha las sesiones de trabajo de
ambientes tecnolgicos. De igual forma, los participantes de la comunidad te-
nan la opcin de crear nuevos foros.
Terminando el proceso de experimentacin, se habilitaron foros de participa-
cin sobre temticas diferentes a los casos de las sesiones previas; algunos de ellos
fueron: Bungee jumping para Matemticas III y Transmilenio para Modelamien-
to y Simulacin. En estos foros, los estudiantes participaron, dejaron comentarios
para alimentar el desarrollo del ejercicio, subieron archivos de imgenes y textos,
y archivos de los ambientes tecnolgicos; esto facilit la presentacin de aportes y
183
comentarios al ejercicio propuesto. Al terminar el tiempo asignado para los foros,

se finaliz la participacin y se procedi a cerrarlos.
Propuesta metodolgica para el diseo y uso de un ambiente web 2.0
Al evaluar el uso de las pginas web como apoyo a la formacin, se observa

que las comunidades son muy activas, participativas y receptivas, de tal forma
que los estudiantes en su interaccin con la tecnologa producen informacin,
aprenden de forma ms rpida y crean una dinmica individual que les permi-
te organizar y transformar su conocimiento, especialmente cuando hay claridad
en el objetivo que se debe cumplir.
Para disear y desarrollar un proyecto de este tipo, se deben identificar y va-

lorar: el grado de pertinencia y relevancia del tema, el diagnstico de la comu-
nidad participante, las TIC pertinentes para el cumplimiento de los objetivos
y la informacin continua a la comunidad.
La prueba piloto del proyecto de Red de Modelamiento y Representacin

Formal en Matemticas permiti establecer la relacin de la comunidad web
2.0 con el proceso de participacin de los estudiantes en las sesiones de traba-
jo de las asignaturas seleccionadas. Los resultados obtenidos indican que este
proceso se caracteriza por ser altamente participativo, que el papel principal lo
tienen todos los participantes y que es la misma comunidad la que determina
los resultados del anlisis del trabajo desarrollado.
La metodologa pretende establecer la dinmica de la comunidad en re-

lacin con el uso, conocimiento, percepcin e inters por los temas de apoyo
acadmico generados. La finalidad es que tanto el apoyo de los guas expertos
como las tecnologas sean asumidos como herramientas para apoyar el proceso
de transformacin y aprendizaje.
Fases propuestas para la metodologa
La metodologa permite establecer las fases y sus actividades, con nfa-
sis en:
Los roles y responsabilidades de los actores que interactan en cada fase.
La aplicacin de la metodologa para el desarrollo de sitios web.
El procedimiento y las medidas de uso del sitio web.
Se consideran tres fases: formacin del equipo, desarrollo del ambiente web
y uso del sitio web (vase figura 1).
184
1. Formacin del equipo y plan de Formacin del equipo de trabajo para

trabajo para el desarrollo de un si- el desarrollo del sitio web
tio web
Se elabora un plan de gestin
donde se identifica el personal
que va a interactuar y el am-
Desarrollo del ambiente web para
biente web educativo (recursos,
apoyo a los procesos educativos
cronograma, etc).
Se estructura el plan de trabajo
del proyecto y los procesos de
direccin y coordinacin de las
tareas asignadas. Uso del sitio web como apoyo
a las actividades educativas
Se definen los espacios de co-
municacin para integrar los Figura. 1. Fases de la propuesta metodolgica
recursos creados y facilitar y para el diseo y uso de un ambiente web.
optimizar las tareas que se de-
sarrollarn.
2. Desarrollo del ambiente web. En esta fase se propone un plan de tra-

bajo compuesto por ciclos que integran las actividades que sern eje-
cutadas por la comunidad de desarrolladores; estos ciclos deben ser
secuenciales y cada vez que se apruebe uno, se pone a disposicin para
el proceso de prueba y se registra el seguimiento al software por medio
de un control de versiones.
3. Uso del sitio web como apoyo a las actividades educativas. Esta fase
deber tener en cuenta lo siguiente:
Socializar el procedimiento para el uso del sitio web.
Ofrecer capacitacin sobre el uso adecuado del sitio web a los estu-
diantes, docentes y usuarios de la comunidad.
Presentar las unidades temticas con sus respectivas guas, ejercicios
y casos de estudio, y espacios para formulacin de preguntas y acla-
racin de dudas.
Disponer de herramientas propias que puedan usarse en cada actividad.
Almacenar materiales probados.
Construir indicadores de medicin para evaluar el uso del sitio web
con el propsito de obtener informacin de retorno.
185
Descripcin detallada de la metodologa
Fase 1. Formacin del equipo y plan de trabajo para el desarrollo de un sitio

web.
Especificar el plan de trabajo

Actividad 1. Especificar el plan de trabajo
del proyecto
Se planean, programan y supervi-
san las tareas que permiten desarrollar
Constituir una comunidad
el proyecto. Es de suma importancia te-
de desarrollo
ner claridad sobre el alcance del proyecto
para calcular el costo real de cada acti-
vidad.
Determinar las herramentas requridas Este plan de trabajo constituye la car-
para el desarrollo de la aplicacin ta de navegacin del proyecto y facilita la
toma de decisiones adecuadas.
Figura. 2. Actividades para la formacin del
equipo de trabajo para el desarrollo de un si- Actividad 2. Constituir una comunidad de
tio web. desarrollo
En los grupos o comunidades de de-
sarrollo es clave definir los perfiles, los
Cordinadores
roles y las responsabilidades de cada uno
de los actores que intervienen en el desa-
Desarrolladores rrollo del proyecto (vase figura 3).
La experiencia que tenga cada uno de
Usuarios ellos es importante para definir las acti-
vidades especficas que se le asignarn.
En el grupo se determinarn los siguien-
Figura. 3. Comunidad de desarrolladores y su
grado de responsabilidad tes roles:
Coordinadores. Son los encargados de realizar las reuniones y de espe-
cificar el plan de trabajo del proyecto y de presentarlo a los integrantes
del proyecto. En este grupo se definen los estndares de desarrollo que
se utilizan y se garantiza que las pruebas se han realizado para proceder
a liberar cada versin del sitio web.
Es importante que en este grupo haya un coordinador principal o ad-
ministrador que planee y coordine las actividades relacionadas con cada
fase y con el uso de las herramientas de trabajo colaborativo, con el con-
trol de las versiones y el seguimientos a las fallas presentadas; adems,
debe tomar decisiones sobre los posibles cambios y modificaciones.
186
Desarrolladores. Son los responsables de construir, probar, instalar, con-

figurar y realizar el mantenimiento del ambiente virtual de desarrollo.
Deben hacer uso de las diversas herramientas definidas para el diseo, so-
porte y adecuada funcionalidad de los materiales y del sitio desarrollado.
Usuarios. Personas con inters de participacin en el proyecto, que pue-
den acceder al sitio del proyecto y plantear aportes desde sus experiencias.
Actividad 3. Determinar las herramientas requeridas para el desarrollo de

la aplicacin
Es importante determinar las herramientas necesarias para implementar
cada una de las temticas propuestas y desarrolladas en la aplicacin. Las he-
rramientas primordiales pueden clasificarse en las siguientes categoras:
Herramientas para la gestin. Son aquellas que facilitan el seguimiento
del proyecto y de las actividades propias del grupo de desarrolladores. Su
funcin es llevar un control de las revisiones, el historial de modificacio-
nes, el registro y el seguimiento a fallas presentadas.
Herramientas de comunicacin. Son llamadas herramientas asincr-
nicas, pues no es necesario que se usen de forma simultnea; entre estas
se incluyen: correo electrnico, blogs, wikis, foros, listas de distribucin,
herramientas para compartir material multimedia, clasificacin y reco-
leccin de informacin, organizadores grficos, mapas+datos (mash_up).
Herramientas de conferencia. Tambin llamadas herramientas sincr-
nicas. Las personas que participan estn conectadas al mismo tiempo, de
modo que sus intervenciones son observadas por el resto de participan-
tes; algunas de ellas son: chat, mensajera instantnea, microblogs, suite de
oficina en lnea y videoconferencia.
Fase 2. Desarrollo del ambiente web para apoyo a los procesos educativos
Entre las actividades primordiales de esta fase est la definicin de la me-

todologa de desarrollo y del ciclo de vida del software apropiado para los ob-
jetivos del proyecto. Esta actividad debe ejecutarse teniendo en cuenta que la
finalidad del sitio web es apoyar procesos educativos y, por ende, es necesario
incorporar elementos pertinentes al proceso de enseanza y aprendizaje.
Para desarrollar un proyecto de software es necesario establecer un enfoque
disciplinado y sistemtico. De acuerdo con Piattini (1996), las metodologas de
desarrollo, que se elaboran a partir de un marco definido por uno o ms ciclos
de vida, influyen directamente en el proceso de construccin.
187
Las metodologas satisfacen tres necesidades principales (Cataldi, 2000):

Mejorar la calidad de las aplicaciones.
Asegurar un proceso de desarrollo controlado: uso de recursos apropia-
dos y costo adecuado.
Mantener un proceso estndar en la organizacin, que no se afecte por
los cambios del personal.
Aunque las metodologas tienen diferentes objetivos, estos se pueden agru-
par en los siguientes:
Brindar un mtodo sistemtico para controlar el avance en la ejecucin
del proyecto.
Especificar los requerimientos del software.
Construir productos bien documentados y de fcil mantenimiento.
Identificar oportunamente las necesidades de cambio.
Proporcionar un sistema gil que satisfaga a todas las personas involu-
cradas en el proyecto.
La seleccin de un modelo de ciclo de vida del software est asociada al
orden de las actividades propuestas y a las caractersticas del producto que se
desea tener. De acuerdo con Sommerville (2002), un ciclo de vida de software
normalmente tiene las siguientes actividades:
Anlisis y definicin de requerimientos. Se definen los servicios, restric-
ciones y metas del sistema a partir de consultas con los usuarios. Esto
puede constituir una especificacin del sistema.
Diseo de sistemas y de software. Se establece una arquitectura comple-
ta del sistema y se disea el software que identifique y describa las abs-
tracciones fundamentales del sistema y sus relaciones.
Implementacin y prueba de unidades. El diseo de software se lleva a
cabo como un conjunto o unidades de programas que deben ser proba-
dos para que cumplan las especificaciones requeridas.
Integracin y prueba del sistema. Los programas o las unidades indivi-
duales de programas se integran y prueban como un sistema completo
para asegurar que se cumplan los requerimientos del software.
Operacin y mantenimiento. Adems de instalar y ejecutar el sistema, se
debe programar el mantenimiento, que implica corregir errores no des-
cubiertos en las etapas anteriores del ciclo de vida, mejorar la implemen-
188
tacin de las unidades del sistema y optimizar los servicios del sistema a
partir de nuevos requerimientos.
Es recomendable rea-
Anlisis y definicin
lizar un plan de iteracin de requerimientos
compuesto por ciclos, donde
cada conjunto de tareas sea
atendido por la comunidad
de desarrolladores, de forma Operacin Diseo de sistemas
y mantenimiento y de software
que sean ciclos secuenciales
y que, una vez aprobados, se
pongan a prueba; si el resul-
tado es satisfactorio, se pue- Integracin y Implementacin y
de liberar la versin, no sin prueba del sistema prueba de unidades
antes registrar este procedi-
miento en el control de ver-
siones (figura 4). Figura. 4. Ciclo de vida para desarrollo de software
Fase 3. Uso del sitio web como apoyo a las actividades educativas
Desarrollar un sitio web para apoyo al proceso educativo implica determinar

muy bien tanto las herramientas informticas como la plataforma que se usarn, de
tal forma que pueda garantizarse su usabilidad.
Entre los aspectos que permiten a los usuarios un buen desarrollo de sus acti-
vidades se encuentran:
La interaccin
Si las actividades son colaborativas, el tipo de interaccin hace referencia
tanto a la forma de agrupar a los estudiantes participantes, como a los roles que
cada uno debe asumir en el grupo (Lpez, 2010).
En relacin con la forma de trabajar colaborativamente a travs de internet
con los estudiantes, se identifican cuatro configuraciones bsicas: individual
(estudiante a estudiante), grupal (grupo a grupo), por clase (aula de clase a aula
de clase) o por rol (clase a experto). En el primer caso, cada estudiante se co-
munica con un par de otra institucin educativa; en el segundo caso, se forman
grupos pequeos de 5 o 6 estudiantes y cada grupo se comunica con otro gru-
po afn de otra institucin; en el tercer caso, el aula de clase completa de una
institucin se comunica con otra aula de clase completa de otra institucin; en
el ltimo caso, los estudiantes de toda una clase de una o ms instituciones se
189
comunican con un experto en el tema objeto de estudio para hacerle consultas

especficas.
Tambin pueden configurarse nuevas formas de organizacin de acuerdo
con las especificaciones de la temtica o de los grupos colaborativos. Lo impor-
tante es asegurar que cada grupo de trabajo colaborativo de estudiantes elabore
el trabajo final solicitado.
En cuanto a los roles de los participantes, Bravo (2007) propone la siguien-
te clasificacin:
Coordinador. Disea el proyecto (temtica, contenidos, cronograma, activi-
dades, etc.) y vincula a otros docentes y estudiantes; identifica factores de
riesgo o seguridad; promueve la participacin; comprueba el cumplimien-
to del cronograma; vela para que se alcancen los objetivos de aprendizaje
propuestos y para que en los productos finales solicitados se evidencie la
colaboracin. Generalmente, este rol lo desempean los docentes de rea.
Administrador del entorno. Disea, crea selecciona o habilita el entorno
web o plataforma, mediante el cual van a interactuar los estudiantes du-
rante el proyecto; adems, soluciona problemas de ndole tcnica y vela
por el uso apropiado de las herramientas informticas. Este rol es asu-
mido, por lo general, por el docente de informtica.
Facilitador. Estudiante que lidera cada grupo. Presenta los integran-
tes de su equipo a los dems equipos de otras instituciones educativas;
modera la comunicacin entre participantes durante el desarrollo del
proyecto y media en caso de presentarse algn conflicto; informa peri-
dicamente al coordinador los avances del trabajo y le reporta cualquier
anomala, factor de riesgo o problema de seguridad que se presente.
Adems, organiza los participantes en comisiones y les asigna roles (re-
lator y participantes).
Relator. Estudiante que consigna las ideas principales de las discusio-
nes y redacta resmenes peridicos que, luego de que lo revisen to-
dos los integrantes del equipo, se publican en el medio acordado para
documentar el proyecto. Este rol se puede rotar entre los estudiantes
participantes.
Participante. Rol que corresponde al resto de estudiantes participantes
en el equipo de trabajo que colaboran con las actividades propuestas,
opinan sobre las participaciones de los dems y sobre el contenido de
los materiales y de la documentacin propuesta por los docentes.
Para el tipo de trabajo estudiante a estudiante no aplican los roles men-
cionados.
190
Relacin con el plan de estudios
Los proyectos con fines de aprendizaje que implican trabajo colaborativo

impactan positivamente el rendimiento de los estudiantes en las asignaturas,
pues facilitan la prctica y la profundizacin de los contenidos; adems, permi-
ten el trabajo interdisciplinario en escenarios de uso de diversas herramientas
informticas. Esto requiere que el docente identifique y plantee de forma clara
los objetivo de aprendizaje del proyecto y de cada unidad temtica.
Tanto los objetivos como el plan de estrategias son dos elementos que de-
ben tener muy claro los estudiantes y docentes para obviar actividades que no
conduzcan a obtener los resultados esperados.
Estrategias que conduzcan al aprendizaje y al trabajo colaborativo
El producto final solicitado desde el inicio del proyecto colaborativo debe

orientar las actividades de los equipos de trabajo y evidenciar tanto los apren-
dizajes alcanzados en la asignatura como el trabajo colaborativo y la participa-
cin de los estudiantes en el desarrollo del proyecto (Lpez, 2002). La gama
de productos que se puede solicitar es muy amplia, y la colaboracin entre los
estudiantes al elaborarlos est fuertemente ligada a la estrategia que se utilice.
A continuacin se presentan algunos ejemplos de estrategias tomados de
Harris (1995):
Consultas.Contacto, va correo electrnico, con expertos para que los es-
tudiantes aclaren aspectos confusos del tema de estudio. Este tipo de es-
trategia evidencia la colaboracin entre estudiantes tanto para ponerse
de acuerdo en la formulacin de las preguntas a los expertos como en el
informe final que debern presentar.
Intercambio de informacin.Los estudiantes buscan, seleccionan y orga-
nizan informacin sobre el tema de estudio propuesto y la intercambian
con sus compaeros de la otra institucin educativa. Esta informacin,
preferiblemente debe ser de carcter local, no disponible en internet o
incluir algn grado de anlisis que facilite su comprensin.
Bases de datos.La informacin recolectada con fines de intercambio se
estructura y sistematiza en una base de datos para facilitar las consultas.
Adicionalmente, los diferentes grupos de estudiantes alimentan las ba-
ses de datos continuamente y de manera independiente.
Publicaciones digitales.Estudiantes de diferentes instituciones educati-
vas editan y disean conjuntamente publicaciones digitales, tales como
boletines, revistas, peridicos, pginas web, wikis o blogs. Esta estrate-
191
gia implica compromiso y colaboracin de los estudiantes en roles como

generadores de informacin que enriquezca la publicacin o como co-
rresponsales.
Trabajos de campo. Los estudiantes de cada institucin realizan expe-

diciones para recolectar informacin o hacer observaciones respecto al
tema propuesto en el proyecto y comunican a su contraparte los hallaz-
gos. Una vez recopilados los datos suministrados por todas las institu-
ciones participantes, es importante elaborar un informe conjunto que
incluya tanto el anlisis como las conclusiones sobre de los datos. Por
ejemplo, recoleccin, anlisis y conclusiones de informacin medioam-
biental (contaminacin atmosfrica, temperatura del agua, etc.).
Solucin paralela de problemas.A todos los grupos participantes se les pre-

senta el mismo problema y se les da un tiempo prudencial para resolverlo.
Posteriormente, cada grupo presenta y sustenta su solucin para recibir
comentarios de otros grupos que amplen la visin sobre el problema y las
diferentes formas de enfrentarlo. En esta estrategia, son fundamentales
las discusiones que se den en torno a las soluciones alcanzadas.
Creaciones secuenciales: Los estudiantes de cada institucin realizan una

creacin artstica o literaria que luego intercambian con un compaero
virtual, quien a su vez plantea su aporte personal (variaciones o comple-
mentos). Estas creaciones deben ser digitales y cada estudiante debe guar-
dar una copia del archivo original recibido de su compaero virtual antes
de agregar su aporte. Al final, se presenta un informe conjunto que refleje
la manera en que los aportes mejoraron o empeoraron la creacin original.
Herramientas informticas de apoyo y el sitio web
De acuerdo con las actividades y temas propuestos, los estudiantes podran

necesitar algunas herramientas informticas de apoyo, entre ellas: procesador
de texto, hoja de clculo, software para diseo de presentaciones, bases de datos,
editores para audio y video y herramientas de aprendizaje visual. Es importan-
te que los productos solicitados a los estudiantes puedan ser desarrollados con
las herramientas propuestas desde la planeacin o que sea software libre.
Como apoyo adicional, se puede usar el sitio web en donde los estudiantes y
docentes tengan a disposicin tanto los materiales necesarios para documentarse
sobre las temticas y actividades como las herramientas que les faciliten la comuni-
cacin, almacenamiento y evaluacin de los procesos de aprendizaje.
192
Ejecucin de actividades con apoyo del sitio web
Para las buenas prcticas de uso del sitio web, se deben tener en cuenta, en-
tre otros, los siguientes aspectos:
El tipo de usuarios que accedern al sitio web.

El proceso de inscripcin de usuarios.
La interaccin que permitir el uso del sitio web y la precisin sobre la
posibilidad de incorporar ms proyectos de trabajo colaborativo.
La relacin del plan de estudios con el sitio web.
La lista de herramientas informticas disponibles en el sitio.
La facilidad de uso del sitio y la ayuda y soporte tcnico disponible; se
debe indicar tambin los criterios para la publicacin de productos de
los estudiantes.
La socializacin del proyecto para formar una comunidad acadmica en
torno al tema.
En cuanto al apoyo del sitio web a los procesos de enseanza-aprendizaje

de las asignaturas del proyecto, se deben considerar los siguientes:
Planear y hacer seguimiento al proyecto. El proyecto debe estar total-

mente instalado, probado y con todos los materiales almacenados, de
modo que se facilite la ejecucin de las actividades de cada asignatura.
Disear e implementar un plan de capacitacin a los usuarios, teniendo
en cuenta los perfiles de usuarios que definen las actividades que debe-
rn ejecutar.
Desarrollar, de forma integral y con el apoyo del sitio web, el plan de tra-
bajo planeado para cada asignatura.
Hacer un continuo seguimiento de las actividades desarrolladas con apoyo del
sitio, verificando su debida funcionalidad, el tipo de uso que hacen los usua-
rios, el almacenamiento de los productos requeridos y el soporte ofrecido.
Conclusin
En torno al desarrollo del proyecto Red de Modelamiento y Represen-
tacin Formal en Matemticas se integr una comunidad acadmica con
implementacin de un sitio web 2.0 usando la red Renata; esto permiti la
formacin de una red de estudiantes, investigadores e instituciones educativas
con inters en el tema de modelamiento en las matemticas.
193
El diseo final del proyecto ha permitido, entre otras, las siguientes opciones:
Proyectos. Se puede incluir y administrar ms de un proyecto.

Administracin de la informacin y de productos de cada proyecto,
como: la matriz de competencias, los casos de cada asignatura y de las
universidades participantes en el proyecto, y los productos generados
(artculos, ponencias, libros).
Noticias. Publicacin de informacin sobre eventos relacionados con el
aprendizaje del modelamiento y notas de inters comn.
Administracin y participacin en foros, chat, fotos, video y otras herra-
mientas. Adicionalmente toda la comunidad inscrita puede contar con
los materiales de apoyo del proyecto generados por los estudiantes en
cada sesin y con los comentarios que suscita cada propuesta de solucin.
Debido a que el proceso del desarrollo del proyecto del sitio web no ha-
ba llegado a su etapa de madurez para garantizar el debido apoyo du-
rante todo el proceso experimental, se llev a cabo una prueba piloto con
la que se pudo concluir que es fundamental definir una metodologa que
permita a proyectos futuros contar con el apoyo del sitio web en el mo-
mento de desarrollo de cada actividad de las asignaturas.
Interaccin de la comunidad participante de forma permanente me-
diante la incorporacin de herramientas tecnolgicas como Skype, drop-
box, correo electrnico y google docs.
Referencias
Bottino, R. M. y Kynigos, C. (2009). Mathematics Education & Digital Tech-
nologies: Facing the Challenge of Networking European Research
Teams. International Journal of Computers for Mathematical Learning,
14(3): 203-215.
Bravo, O. (2007). Trabajo en colaboracin mediado por las TIC. Caracas: Fed-
eracin Internacional de Fe y Alegra. Consultado el 28 de noviembre
de 2008 en www.feyalegria.org/images/acrobat/libro_trabajo_colabora-
cion_14803.pdf
Cataldi, Z. (2000). Metodologa de diseo, desarrollo y evaluacin de software ed-

ucativo (tesis de magster en informtica). UNLP.
Freiman, V. y Lirette-Pitre, N. (2009). Building a Virtual Learning Commu-

nity of Problem Solvers: Example of Casmi Community. ZDM, 14(1).
194
Gonzlez, A., Caldern, S., Hidalgo, R. y Romero, C. (2006). Matemticas y

nuevas tecnologas en la enseanza universitaria. Universidad de Mlaga.
Harris, J. (1995). Organizing and Faciliting Tellecolaborative Projects. Con-

sultado el 12 de mayo de 2009 enhttp://virtual-architecture.wm.edu/
Lardner, E. y Malnarich, G. (2008). New Era in Learning-Community Work:

Why The Pedagogy of Intentional Integration Matters. Change Maga-
zine.
Lpez, J. (2010). Elementos fundamentales para la planeacin de proyectos

colaborativos en internet. Eduteka.
Majid, K. G., O, A. G., Atan, N., Idrus, H., Rahman, Z. A. y Tan, K. E. (2007).
The Videoconferencing Learning Environment: Technology, Interac-
tion and Learning Intersect. British Educational Communications and
Technology Agency.
Martnez, C. y Calao, G. (2012). Aplicacin del sitio web VirtualMates en la

enseanza de las matemticas.
Robutti, O. (2010). Graphic Calculators and Connectivity Software to Be a

Community of Mathematics Practitioners. ZDM, 42(1): 7789.
195
Conclusiones
E ste libro es resultado de un proyecto que tiene como objetivo general eva-
luar el efecto del ejercicio de la representacin en los sistemas formales
(verbal, diagramtico, algebraico y computacional) en el desarrollo de la com-
petencia de modelamiento matemtico, con apoyo de ambientes digitales.
La formacin de profesionales con competencia para interpretar y modelar

la dinmica de las variables de su entorno y mirar en prospectiva cmo puede
integrar el conocimiento a favor de la vida y, en particular, de la convivencia
humana es un reto permanente para los formadores en las facultades de inge-
niera. La complejidad es la dimensin propia del mundo de la vida, y el mo-
delamiento es una estrategia para lidiar con la complejidad.
Los procesos de modelado vienen evolucionando con la historia del cono-

cimiento humano en la medida en que se sintetiza en soluciones a problemas
formulados explcitamente y resueltos efectivamente. En esa evolucin, la ma-
temtica se convierte en conocimiento estructurante de la observacin acti-
va para generar representaciones formalizadas que se vinculan en la era de la
informacin a los procesos de simulacin. Los modelos matemticos, los ar-
tefactos y las simulaciones forman un continuo cuya funcin es vincular cono-
cimiento con la satisfaccin de necesidades.
Se concibe la competencia de modelamiento como un proceso cognitivo

dinmico que relaciona los referentes ubicados en el entorno de una persona
que los representa y que crea, como resultado de su observacin, un modelo
mental del referente y lo traduce en un modelo conceptual usando smbolos
fsicos en forma de lenguaje verbal, diagramtico, algebraico o computacional.
Los modelos conceptuales convierten a los modelos mentales en objetos que
constituyen la base de la comunicacin con otros actores que conocen de la
misma manera. En la dinmica comunicacional, el modelo conceptual genera
197
El modelamiento matemtico en la formacin del ingeniero
nuevos cambios en los modelos mentales de los actores. En consecuencia, el

modelamiento tiene tanto dimensiones individuales como sociales, y evolucio-
na como resultado de las interacciones con el referente y de la socializacin de
modelos conceptuales con otros actores.
El proyecto gira alrededor de un modelo pedaggico que integra cuatro

formas de representacin en la construccin de la competencia de modelar:
verbal, diagramtica, algebraica y computacional. Los ambientes de trabajo
se ubican en la perspectiva digital, y cada forma de representacin tiene apo-
yo en dispositivos digitales. Los sistemas directamente guardan tanto infor-
macin del proceso como los productos, con el propsito de disponer de ellos
para anlisis posteriores. De esta manera, el proceso de formacin adquiere un
estilo de experimentacin y revisin de los resultados. Es una forma de inte-
grar estructuralmente los ambientes digitales en el proceso de representacin
de conocimiento y de generacin de visin prospectiva y de soluciones a pro-
blemas de la ingeniera.
El modelo pedaggico se orienta por los resultados ms relevantes de la li-

teratura cientfica sobre el tema y configura cuatro escenarios de procesos di-
ferenciados.
En el primer escenario se formula un problema en un contexto que debe

ser desarrollado mediante una solucin argumentativa en proceso colaborati-
vo. La capacidad de dar explicaciones y elaborar propuestas en la actividad y la
cantidad de participacin en la interaccin son factores que pedaggicamente
ofrecen especial potencial para activar el aprendizaje en los procesos argumen-
tativos. La argumentacin tiene un valor fundamental para manejar la relacin
con el contexto y activar los aprendizajes previos. Como antesala a las otras
representaciones, parece tener especial valor activador tanto de la cognicin
como de la motivacin.
El segundo escenario tiene como insumo los resultados del proceso anterior
y valida la solucin desde la perspectiva algebraica. En la representacin alge-
braica, la comprensin del problema constituye el punto de partida para una
representacin. Los estudiantes exitosos identifican las preguntas claves en la
solucin del problema y las variables con los datos, y a partir de ellas seleccio-
nan las frmulas. Esta solucin formal es el insumo para el proceso de repre-
sentacin diagramtica del siguiente escenario.
En el tercer escenario (representacin diagramtica) se genera una estruc-

tura visual integrada del proceso lgico en forma de algoritmo. Aparece como
un proceso de nivel metacognitivo que se nutre, en un enfoque inductivo, de
198
Conclusiones
la representacin verbal y algebraica. El uso de categoras que identifican y ca-

racterizan los procesos y su organizacin contribuyen positivamente al apren-
dizaje. La conciencia de la organizacin del sistema de variables como punto
de partida para darle significado a los problemas, de la secuencia de decisio-
nes vinculadas a preguntas y de los procesos con entradas, salidas y vnculos
influye en la formacin de un modelo mental que habilita la comparacin en-
tre soluciones a diferentes problemas y la posibilidad de transferencia de co-
nocimiento.
El cuarto escenario (representacin computacional como simulacin y su

integracin al proceso de formacin de la competencia de modelamiento) apa-
rece como la dimensin menos desarrollada en este proyecto. Si bien es cierto
que el aprendizaje de la programacin es una de las habilidades ms difcil de
adquirir (similar a la de escribir), la investigacin previa, incluso con estudian-
tes de educacin bsica (como se puede ilustrar con las investigaciones con el
lenguaje Logo), justifica la hiptesis de que si se introduce la formacin bsica
en el primer semestre y se utiliza de manera regular en los cursos de matem-
tica, la formacin de los estudiantes de ingeniera se vera beneficiada en gran
medida. Al parecer, para que se genere un efecto cognitivo de la representa-
cin computacional en la competencia de modelamiento, el estudiante tiene
que lograr un nivel de funcionamiento del programa que le permita visualizar
los resultados directos de la solucin del problema especfico y, a partir de esta
solucin, ejecutar variantes del programa; estas constituyen escenarios posibles
que activan la visin prospectiva. En el contexto de los proyectos de ingenie-
ra, contribuyen a desarrollar la capacidad de analizar opciones de solucin de
los problemas.
El carcter sistmico de este modelo pedaggico, basado en los trabajos des-

criptivos y analticos del proceso de modelado desde la perspectiva matemtica,
en los estudios de la neurociencia sobre procesamiento e integracin de entra-
das mltiples al cerebro y en el desarrollo de estrategias de aprendizaje, muestra
su especial valor cuando se hace el anlisis estadstico de los resultados. En efec-
to, los estudiantes que participaron en la experiencia tuvieron un rendimiento
significativamente superior en todas las evaluaciones de los cinco cursos y en las
dos universidades donde se desarroll el proyecto, en comparacin con los cur-
sos que se desarrollaron con el enfoque pedaggico normal de cada institucin.
Ms an, la diferencia en aprobacin de la asignatura es de 24 puntos porcen-
tuales, lo cual ubica a estos cursos en niveles de aprobacin del 67%.
Estos resultados concuerdan con los niveles de satisfaccin de los estu-

diantes que manifestaron estar satisfechos y haber tenido experiencias de
aprendizaje muy valiosas para su preparacin profesional. En igual sentido, los
199
resultados son consistentes con el estado de la investigacin sobre el tema. El

aporte ms destacable es el carcter sistmico de la propuesta que la muestra
factible y pertinente en el ambiente universitario actual. Todo indica que, en la
lgica del proyecto, sera posible elevar el rendimiento al 80%, si se hacen los
ajustes que se identificaron al hacer el anlisis de datos.
Los escenarios digitales cumplieron una funcin facilitadora del aprendiza-

je del modelamiento. La argumentacin en formato verbal fue desarrollada en
el escenario Argunaut, sistema basado en ontologas argumentativas, que genera
mapas argumentativos, dibuja la red social resultado del proceso, permite la mo-
deracin por parte del profesor, el anlisis del contenido de las participaciones y
las caractersticas del desempeo de cada participante. El razonamiento diagra-
mtico fue desarrollado usando el ambiente DIA; el razonamiento algebraico,
en el ambiente Derive.
La integracin estructural de estos ambientes a un proceso curricular regular

muestra posibilidades muy promisorias para que la formacin del ingeniero se
centre en el aprendizaje. El ambiente web ofrece la posibilidad de apoyar la ges-
tin curricular en lnea y garantiza la disposicin de los recursos tanto para que
sean usados por los usuarios como para archivar la informacin generada en el
proceso curricular; incluso los procesos de asistencia a las sesiones de trabajo y la
forma y caractersticas de la participacin pueden quedar registrados y disponi-
bles para que sean revisados por los actores del proceso curricular.
El modelo se organiz en forma de sistema: la solucin argumentativa era

insumo para la solucin algebraica, esta era insumo para proceso de diagra-
macin; con la solucin diagramtica se pasaba finalmente a la solucin com-
putacional. Otras secuencias son posibles con diferentes justificaciones. Por
ejemplo, sera justificable tener una sesin argumentativa como introduccin
a la representacin algebraica y a la computacional. El poder activador de co-
nocimientos previos de la argumentacin y su capacidad para construir hi-
los argumentativos pueden ser marco conceptual para hipotetizar resultados
igualmente promisorios o incluso superiores a los observados en este proyecto.
Podra tambin pensarse en escenarios donde la argumentacin siga a las re-
presentaciones algebraica, diagramtica o computacional, como estrategia de
revisin y formacin de procesos metacognitivos.
Lo interesante del modelo es que se centra en el aprendizaje de los estu-

diantes y no en la enseanza, como es lo comn en los enfoques de la pedago-
ga tradicional. Si un sistema como este permitiera a los estudiantes disponer
de tiempo suficiente, se podra lograr aprendizaje de dominio y apuntarle a la
formacin de alta calidad en los estudios de matemticas para ingenieros.
200
Conclusiones
En cuanto a la representacin verbal, la activacin de aprendizajes previos,

la capacidad para relacionar el problema con variables del contexto y el poten-
cial para la activacin social del aprendizaje fundamentan la conveniencia es-
tratgica, en el modelo pedaggico, de incluir el proceso argumentativo como
paso anterior al proceso algebraico. En cuanto al proceso mismo de solucin, se
observa cmo el nmero de pasos correctos se correlaciona positivamente con
las soluciones encontradas. Tambin se muestra la importancia de encontrar el
modelo matemtico adecuado para tener xito al encontrarse una correlacin
positiva entre frmulas usadas y las notas obtenidas, los pasos correctos y las
soluciones encontradas.
Representacin diagramtica. Es la forma de representacin que mejor se

relaciona con los resultados en las evaluaciones de los cursos. En la forma como
se organiz el modelo pedaggico, los estudiantes tienen como experiencias
previas la representacin verbal y algebraica, y con ellas se avanza a esta forma
de anlisis que tiene como insumo los resultados de las representaciones ante-
riores y constituye un anlisis de nivel superior. El uso de categoras y explica-
ciones verbales en el proceso de diagramacin correlaciona positivamente con
los resultados en las evaluaciones. El nivel de representaciones correctas en los
diagramas de influencias es un predictor significativo de los resultados en las
evaluaciones. Los estudiantes mejoran con la experiencia el nivel de elabora-
cin de los diagramas; esto sugiere que la sistematizacin es un factor que con-
tribuye positivamente en la integracin de esta forma de representacin como
estrategia efectiva del aprendizaje autnomo del estudiante.
Representacin computacional. La representacin computacional marca

el final del ciclo pedaggico en el modelo evaluado. En su conjunto, es el de
menor impacto en los resultados; sin embargo, el nmero de sesiones y la efec-
tividad de las soluciones tienen una correlacin positiva con los resultados en
las evaluaciones. Las razones ms relevantes para estos resultados se encuen-
tran en la baja experiencia de los estudiantes en el uso del lenguaje de progra-
macin. Para la implementacin posterior del modelo, de manera similar a la
diagramacin, se requiere hallar un modelo que forme la capacidad de repre-
sentar las soluciones algebraicas en lenguaje de programacin. Al parecer, la
integracin del aprendizaje de la programacin con el algebraico es una meta
especialmente importante que debe lograrse.
En sntesis, el proyecto, tal como se desarroll, suministra informacin va-

liosa para el modelo en su conjunto y discrimina los efectos de cada una de las
formas de representacin. Los resultados son muy relevantes en el contexto de
las tendencias de los sistemas de educacin superior que propenden por formar
la competencia de modelamiento como estrategia para proyectar los aportes de
201
la ciencia a la solucin de problemas reales de las sociedad, en particular del

sistema colombiano que se propone reducir la desercin universitaria y mejorar
la calidad del desempeo de los profesionales formados.
Uno de los retos mayores para la pedagoga es facilitar la transferencia del

aprendizaje. Inicialmente nos preguntamos por cul de las condiciones genera
mayor transferencia del aprendizaje a contextos nuevos. La respuesta no se in-
clina a favor de ninguno de los cuatro escenarios por separado, sino definitiva-
mente por la integracin de todos ellos. En efecto, sin anlisis de contexto ni
activacin de conocimientos previos, es difcil visualizar la transferencia, pero sin
la solucin formal concreta tampoco; la diagramacin es muy propicia por cuan-
to desarrolla metacognicin sobre las estructuras de los procesos, y la simulacin
activa la visin prospectiva. Sin embargo, la integracin de los cuatro compo-
nentes es mucho ms eficiente que cada uno de los escenarios por separado.
El proyecto se interesa por la utilidad del sistema para la formacin de una

red de competencias matemticas. Este proyecto es continuacin de uno pre-
vio sobre el efecto de la argumentacin en la formacin de competencias mate-
mticas en el que tejimos colaboraciones alrededor del proyecto y se form una
red que se proyect en este nuevo proyecto. De igual manera, somos conscien-
tes de que hay un conjunto de factores que favorecen o dificultan la consolida-
cin de redes que no forman parte de la cultura universitaria. La experiencia
muestra que la web 2.0 tiene un potencial enorme en varios sentidos: la cons-
truccin de conocimiento mediante el diseo y desarrollo de proyectos cola-
borativos, la elaboracin colaborativa de estados de la investigacin sobre estas
temticas y el uso del sitio web como dispositivo de visibilidad, de comunica-
cin y de gestin de los procesos curriculares. Sin embargo, somos conscien-
tes de que en este campo se tiene que desarrollar ms investigacin que lleve a
comprender procesos fundamentales.
202
ndice de autores
A F
Alberts, Garstka, Hayes, & Signori 99 Forrester 133, 138, 147
Alfonso 149, 173, 195 Franklin 44, 45, 52
Alici y Edgar 43
Allchin 42, 52 G
Anasuk y Beyranevand 134 Galor 65, 72
Anderson y Krathwohl 144 Garca Raffi 118
Atkins 24, 31 Grdenfors 78
Gerda de Vries 116
B Gmez 118, 173
Balci 48, 49, 50, 52 Gonzlez et l. 176
Barro y Grossman 57, 62 Gruber 100, 113
Bassanezi 156 Guarino 100, 114
Begg, Fischer y Dornbusch 58
Blomhj y Hjgaard Jensen 10, 13 H
Blum et l 156
Hacking 44, 52
Blum y Borromeo 13
Harris 191, 195
Bravo 194
Heath 22, 31
Brito-Vallina et l. 12
Bunge 34, 52 Hegarty, Just & Morrison, 20, 22
Hembree 134, 146
C Hempel 41, 52
Hilera y Palomar 153
Camarena 117, 129
Hoffman, Feltovich y Ford 10
Castro y Espinosa 26
Holcombe 56, 72
Chavalas 21, 31
Cheng, Lowe, Scaife 22 Holland et l. 11
Clark 98, 113
Clini 24, 31 J
Collins, Brown y Newman, 98 Jonassen 19, 20, 81, 98
Colwell 35, 52 Jordan 10, 16
Coyle 138, 147
K
D Kadijevich 152, 171
Dillenbourg 98, 99, 114 Kaewsuwan 67, 72
Dillenbourg, Schneider y Synteta 98 Kaput 133, 145, 157
Dornbusch 57, 58, 72 Kenneth Boulding 70
Duarte 152, 170 Kerle, Corves, Mauersberger & Modler 23
Durn, Costaguta y Gola 154 Kerle et l. 28
Duval 157 King 24, 25, 29, 32
Kofman 150, 151, 171
E Kolodner & Leak 10
Evans 59, 65, 66, 72 Kuhn 40, 41, 53
203
L Q
Larkin y Simon 134 Quine 77, 79, 96
Laymon 41, 42
Lesgold 13, 17 R
Lesh y Doerr 20 Ramsey 42, 53
Llinas 75 Richardson 140, 147
Lpez 118, 129, 152, 171, 191, 195 Rodrguez 19, 97, 155, 157
Lpez Gmez 118 Roth 135, 145
Lucas 57, 72, 155 Russell y Norvig 132, 142
M S
Maldonado 3, 4, 9, 14, 17, 19, 32, 39, 53, 75, 76, Samuelson y Nordhaus 56
82, 96, 98, 114, 131 Snchez et l. 118
Maldonado, De Groot y Drachman 82 Sargent 37, 51, 53, 57, 73
Mario y otros 153 Schichl 34, 53
Mayer 14, 17, 132 Schlatter et l. 45
Mayorga 155 Schlatter, Malm, Brethouwer, Johansson y Hen-
Mays 20, 21, 32 ningson 45
Mendible 151, 171 Shannon y Johannes 34
Mishkin 57, 73 Shapere 45, 54
Mon 22, 23 Sommerville 188
Moon 26, 27, 28, 32 Sowa 76, 77, 79, 96
Moreno y Mayer 14
Mnera 156 T
Mussa 57, 73
Toms et l. 154
Muth 57, 73
Trigueros 129, 150, 171
Turnitsa, Tolk y Padilla 40
N
U
Narayanan, Suwa y Motoda 135
Uesaka, Manalo e Ichikawa 135, 145
Nelson Nelson, Haan y Thomas 75
Nersessian 19, 32, 52
Neumaier 116, 117 V
Newell, Shaw y Simon 132 Van Essen y Hamaker 134
Newell y Simon 132, 142 Vergnaud 133, 145
Norris et l. 154 Vernon 150
Vigotsky 77
O Villa-Ochoa 156
Von Neumann y Goldstine 137
OCDE 10, 17
Ogden y Richards 39
Oliveira 22, 32 W
OReilly y Manakata, 76 Walsh 58, 73
Walters 57, 73
P Wang y Sun, 14, 138
Weggeman 100, 114
Pace et l. 152
Wolstenholme 138, 147
Panasuk y Beyranevand 134
Patten, y Campbell 75
Pazos 154 X
Peschard 41, 43, 53 Xiang, Kennedy y Madey 49
204
E l presente libro es el resultado de la ejecucin de un
proyecto en el cual experimentamos un escenario de
representacin mltiple: en primer lugar, la participa-
cin sincrnica que estimula el anlisis de contexto, la
adquisicin y organizacin de informacin y la bsqueda
de alternativas a la solucin de problemas de modela-
miento; en segundo lugar, la estructuracin algebraica de
la solucin que se transforma mediante operadores ma-
temticos hasta encontrar una solucin; en tercer lugar,
la representacin diagramtica, que permite fundamentar
comparaciones analgicas y estructurales; por ltimo, la
representacin en lenguaje de computador, que muestra
el algoritmo de la solucin.
Los captulos en que est organizado este libro giran al-

rededor de este planteamiento y aspiran a alimentar la
discusin interdisciplinar sobre estrategias para formar la
capacidad de modelar de los estudiantes de ingeniera en
sus cursos de matemticas. Una base incipiente para la
extensin de esta experiencia y para la aplicacin de sus
corolarios a otras materias y disciplinas por ejemplo, la
capacidad de modelar en biologa, ciencias del medio am-
biente, ciencias sociales, etc. surge naturalmente como
contribucin adicional de este estudio.

El Modelado Matemático en La Formación Del Ingeniero PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

El Modelado Matemático en La Formación Del Ingeniero PDF

Uploaded by

Copyright:

Available Formats

El modelamiento matemtico

en la formacin del ingeniero

Ttulo: El modelamiento matemtico en la formacin del ingeniero

Proyecto: Red de modelamiento y representacin formal en matemti as

Ediciones Universidad Central

Catalogacin en la Publicacin Universidad Central

El modelamiento matemtico en la formacin del ingeniero/ editor Luis Facundo

Editado en Colombia - Published in Colombia

Luis Facundo Maldonado Granados**

C onstruir modelos para resolver problemas complejos es un tema central en

* Proyecto auspiciado por el Ministerio de Educacin Nacional mediante el convenio

El inters en resolver problemas autnticos de la vida real mediante la cons-

Este inters de las ciencias tiene repercusiones en los diferentes niveles de

Con base en las consideraciones anteriores, podemos afirmar que la cien-

pacidad de las personas para producir modelos como producto de su actividad

por componentes separados. La observacin activa del entorno y el conoci-

Brito-Vallina et l. (2011) parten de la concepcin del proceso de modelado

la comunidad cientfica o sistema de creencias validado y documentado; a con-

Wang y Sun (2005), a partir de tres experimentos sobre la naturaleza de la

estructurales y, por ende, facilita la transferencia. En cuarto lugar, la represen-

Identifica el problema y su contexto. Identifica el sistema de variables,

El ambiente de experimentacin se desarroll en un sitio web habilitado en

de partida para la organizacin de una red de investigacin y soporte acadmi-

Jordan, M. I. (1999). Learning in Graphical Models [Preface]. Cambridge, MS:

Kaiser, G., Blomhj, M. y Sriraman, B. (2006). Towards a Didactical Theory

Kolodner, J. L. y Leake, D. B. (1997). A Tutorial Introduction to Case Based

Lesgold, A. (1998). Multiple Representations & Their Implications for Lear-

Ministerio de Educacin Nacional (2006). Estndares bsicos de competencias.

Ministerio de Educacin Nacional (1998). Lineamientos curriculares: matem-

Maldonado, L. F. (2012). Virtualidad y autonoma: pedagoga para la equidad.

Organization for Economic Co-operation and Development (2007). PISA

Organization for Economic Co-operation and Development (2003). The PISA

ParraGarca, J. L. y Ariasde Tapia, R. I. (2011, mayo-agosto). Papel de la mo-

Moreno, R. y Mayer, R. E. (2011). Multimedia-Supported Metaphors for

Sewell, D. K. y Lewandowsky, S. (2011, marzo). Restructuring Partitioned

Luis Bayardo Sanabria Rodrguez*

* Ph. D. y ocente e investigador de la Universidad Pedaggica Nacional e integrante del grupo

Modelamiento en la civilizacin antigua

para suplir estas necesidades. El dispositivo se conoci en Mesopotamia en el

Figura 1. Modelo del shadoof

Los dos modelos obtenidos del

sostener la tesis de la evolucin en espi-

Modelamiento en Grecia y Roma

la guerra, con modelos que supe-

Otros ingenieros griegos que sobresalieron fueron Ctesibius, inventor, en el

El pensamiento de los griegos muestra la transicin que surge de la represen-

La cultura romana se distingui por el auge de los centros urbanos, lo cual

truccin del domo de la famosa catedral de

procesos cognitivos para generar producciones nuevas. Estos referentes con-

El pensamiento de Leonardo da Vinci podra reflejar la observacin de mode-

Algunos tratados del Renacimiento muestran grandes desarrollos del mo-

Ya en esta poca, la matemtica era la principal herramienta que tena un hom-

Modelamiento en la sociedad industrial

Modelamiento en la sociedad de la informacin

digital. Los modelos conceptuales, inspirados en la observacin de mquinas

Diagrama Ecuaciones algebraicas

Si se procesan las diferentes variables del anlisis matemtico en un progra-

La necesidad de las mquinas trae consigo la necesidad de modelar sistemas

Ceccarelli (ed.), Technology Developments: The Role of Mechanism and Machine

Hugo Franco Triana*

L a validacin de modelos en el ciclo de vida del modelado y la simula-

* Ph. D. y profesor investigador de la Facultad de Ingeniera de la Universidad Central. Grupo

india (Schichl, 2004) contaban con modelos aritmticos razonablemente ela-